論文の概要: CHAM-net: A Contrastive Hierarchical Adaptive Meta-network for Robust Global Methane Flux Prediction

• arxiv url: http://arxiv.org/abs/2606.00338v1
• Date: Fri, 29 May 2026 20:26:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:28.296736
• Title: CHAM-net: A Contrastive Hierarchical Adaptive Meta-network for Robust Global Methane Flux Prediction
• Title（参考訳）: CHAM-net:ロバストなグローバルメタンフラックス予測のための対照的な階層的適応型メタネットワーク
• Abstract要約: メタンは温室効果ガスであり、地球温暖化に大きく貢献する。 本稿では、歴史的文脈から明示的に学習し、サイト固有のダイナミクスを捉えるフレームワークであるContrastive Hierarchical Meta-network (CHAM-net)を提案する。 CHAM-netは、メタンの放出と消費のためのシミュレーションと観測データセットの両方のベースライン法を一貫して上回っている。
• 参考スコア（独自算出の注目度）: 29.92121214550302
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Methane is a potent greenhouse gas that significantly contributes to global warming. However, accurately estimating global methane emissions and consumption remains challenging due to the complex interactions among environmental drivers that may vary across spatial and temporal scales. Prior data-driven methods often overlook the inherent spatiotemporal heterogeneity of ecosystems, failing to explicitly capture site-specific characteristics and cross-year evolutionary dynamics. To address these issues, we propose the Contrastive Hierarchical Adaptive Meta-network (CHAM-net), a novel framework that explicitly learns from historical context to capture site-specific dynamics. CHAM-net employs a hierarchical encoder-decoder architecture, in which the encoder captures site-specific characteristics from historical data and then dynamically conditions the decoder to generate the final prediction. Experimental results demonstrate that CHAM-net consistently outperforms all baseline methods on both simulation and observational datasets for methane emission and consumption, achieving nRMSE values as low as 0.43 and 0.88 with corresponding R2 scores up to 0.97 and 0.68 for emission prediction.
• Abstract（参考訳）: メタンは温室効果ガスであり、地球温暖化に大きく貢献する。 しかし、環境要因間の複雑な相互作用が空間的・時間的スケールによって異なるため、地球規模のメタン排出量と消費を正確に推定することは依然として困難である。 以前のデータ駆動手法は、しばしば生態系の時空間的均質性を見落とし、サイト固有の特徴と年次進化のダイナミクスを明示的に捉えることに失敗する。 これらの課題に対処するために,歴史的文脈から明示的に学習し,サイト固有のダイナミクスを捉える新しいフレームワークであるContrastive Hierarchical Adaptive Meta-network (CHAM-net)を提案する。 CHAM-netは階層的なエンコーダ・デコーダアーキテクチャを採用しており、エンコーダは歴史的データからサイト固有の特性をキャプチャし、デコーダを動的に条件付けして最終的な予測を生成する。 実験の結果、CHAM-netはメタンの排出と消費のシミュレーションと観測データの両方のベースライン法を一貫して上回り、nRMSEの値は0.43と0.88であり、対応するR2のスコアは0.97と0.68である。

関連論文リスト

• Towards Fast GNN Surrogates for CO2 Migration in Complex Geological Formations [58.079925240809644]
  本研究では, 地質ストレージにおけるCO$$$ibility plume マイグレーション予測に適したエンドツーエンドグラフニューラルネットワークサロゲートを提案する。 この方法は、CO$$ストレージシナリオを評価するために設計されたよく知られた業界テストケースであるSPE11Aベンチマークで評価される。 提案モデルでは, ガス飽和度と液相密度の競合予測を行い, 累積誤差は拡大予測地平線上では緩やかに保たれている。
  論文  参考訳（メタデータ） (2026-06-15T18:19:17Z)
• Earth-o1: A Grid-free Observation-native Atmospheric World Model [81.55899748753434]
  我々は、構造的制約を克服する観測ネイティブな大気圏モデルであるEarth-o1を提示する。 多様なセンサー入力を統一されたグリッドフリーな力学場に統合することにより、モデルは空間と時間の大気状態を自律的に前進させる。 本稿では,このパラダイムにより,明示的な数値解法のオーバーヘッドを伴わずに,直接的,リアルタイムな予測とクロスセンサ推論が可能となることを示す。
  論文  参考訳（メタデータ） (2026-05-07T14:27:48Z)
• Earth System Foundation Model (ESFM): A unified framework for heterogeneous data integration and forecasting [52.53742727060265]
  地球系の基礎モデル(FM)は、大量のデータセットにわたる物理変数間の統計的関係を学習する。 本稿では,アース・システム・ファンデーション・モデル(ESFM)について紹介する。 本研究では,高密度グリッドデータ (ERA5, CMIP6) , 地域密集データ, 疎グリッドMODIS衛星データ, 局データを用いた。 結果は、最先端のベンチマークと比較して、競争力や優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2026-04-20T11:40:39Z)
• AgroFlux: A Spatial-Temporal Benchmark for Carbon and Nitrogen Flux Prediction in Agricultural Ecosystems [32.91715282741263]
  本稿では,空間的・時間的アグロエコシステムGHGベンチマークデータセットについて紹介する。 炭素および窒素フラックス予測における逐次深層学習モデルの性能評価を行った。 我々のベンチマークデータセットと評価フレームワークは、より正確でスケーラブルなAI駆動のアグロエコシステムモデルの開発に寄与する。
  論文  参考訳（メタデータ） (2026-02-02T04:04:07Z)
• Ecologically Valid Benchmarking and Adaptive Attention: Scalable Marine Bioacoustic Monitoring [2.558238597112103]
  GetNetUPAMは、現実的な可変性の下で安定性をモデル化するためのネストされたクロスバリデーションフレームワークである。 データは異なるサイト年区分に分割され、記録を保存し、各バリデーションフォールドがユニークな環境サブセットを反映することを保証する。 ARPA-Nは、DenseNetベースラインに対する平均精度が14.4%向上し、すべてのメトリクスで対数2スケールのオーダー・オブ・マグニチュードが減少する。
  論文  参考訳（メタデータ） (2025-09-04T22:03:05Z)
• Deep Learning for Weather Forecasting: A CNN-LSTM Hybrid Model for Predicting Historical Temperature Data [7.559331742876793]
  本研究では,畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)を併用したハイブリッドモデルを提案する。 CNNは空間的特徴抽出に利用され、LSTMは時間的依存を処理し、予測精度と安定性が大幅に向上する。
  論文  参考訳（メタデータ） (2024-10-19T03:38:53Z)
• ClimDetect: A Benchmark Dataset for Climate Change Detection and Attribution [6.919867656801517]
  ClimDetectは、目標の気候変動指標変数と組み合わせた1日当たりの1.17万の気候スナップショットからなる標準化データセットである。 このデータセットは、CMIP6気候モデルシミュレーションと実世界の観測アシミュレートされた再分析データセットの両方から算出される。 私たちはまた、気候変動検出タスクのためにこれまで試みられていない新しいアプローチである、気候変動データへのビジョントランスフォーマー(ViT)の適用についても検討しています。
  論文  参考訳（メタデータ） (2024-08-28T17:58:53Z)
• Machine Learning for Methane Detection and Quantification from Space -- A survey [49.7996292123687]
  メタン (CH_4) は強力な温室効果ガスであり、20年間で二酸化炭素 (CO_2) の86倍の温暖化に寄与する。 この研究は、ショートウェーブ赤外線(SWIR)帯域におけるメタン点源検出センサの既存の情報を拡張する。 従来の機械学習(ML)アプローチと同様に、最先端の技術をレビューする。
  論文  参考訳（メタデータ） (2024-08-27T15:03:20Z)
• Surrogate Model for Geological CO2 Storage and Its Use in Hierarchical MCMC History Matching [0.0]
  我々は、最近導入されたR-U-Netサロゲートモデルを拡張し、幅広い地質シナリオから引き出されたジオモデルの実現を取り扱う。 本研究では, 人工真理モデルにおける観測井の観測データを用いて, 地質的不確実性を大幅に低減することを示した。
  論文  参考訳（メタデータ） (2023-08-11T18:29:28Z)
• A Comparative Study of Machine Learning Algorithms for Anomaly Detection in Industrial Environments: Performance and Environmental Impact [62.997667081978825]
  本研究は,環境の持続可能性を考慮した高性能機械学習モデルの要求に応えることを目的としている。 Decision TreesやRandom Forestsといった従来の機械学習アルゴリズムは、堅牢な効率性とパフォーマンスを示している。 しかし, 資源消費の累積増加にもかかわらず, 最適化された構成で優れた結果が得られた。
  論文  参考訳（メタデータ） (2023-07-01T15:18:00Z)
• Real-time high-resolution CO$_2$ geological storage prediction using nested Fourier neural operators [58.728312684306545]
  炭素捕獲貯蔵(CCS)は、地球規模の脱炭酸に不可欠な役割を担っている。 CCS展開のスケールアップには, 貯留層圧力上昇とガス配管マイグレーションの高精度かつ高精度なモデリングが必要である。 我々は,高分解能な3D CO2ストレージモデリングのための機械学習フレームワークであるNested Fourier Neural Operator (FNO)を,盆地スケールで導入した。
  論文  参考訳（メタデータ） (2022-10-31T04:04:03Z)
• Deep Learning Based Cloud Cover Parameterization for ICON [55.49957005291674]
  我々は,実地域およびグローバルICONシミュレーションに基づいて,粗粒度データを用いたNNベースのクラウドカバーパラメータ化を訓練する。 グローバルに訓練されたNNは、地域シミュレーションのサブグリッドスケールのクラウドカバーを再現することができる。 我々は,コラムベースNNがグローバルから局所的な粗粒データに完全に一般化できない理由として,特定の湿度と雲氷上の過剰なエンハンシスを同定する。
  論文  参考訳（メタデータ） (2021-12-21T16:10:45Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。