論文の概要: Scalable Deep Learning Framework for Global High-Resolution Land Use Reconstruction

• arxiv url: http://arxiv.org/abs/2606.11793v2
• Date: Thu, 11 Jun 2026 10:27:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-12 13:39:59.676034
• Title: Scalable Deep Learning Framework for Global High-Resolution Land Use Reconstruction
• Title（参考訳）: グローバル高解像度土地利用再建のためのスケーラブルディープラーニングフレームワーク
• Authors: Amirpasha Mozaffari, Marina Castaño, Stefano Materia, Etienne Tourigny, Oscar Molina-Sedano, Jordi Varela-Agrelo, Dario Garcia-Gasulla, Miguel Castrillo Melguizo, Mario Acosta, Amanda Duarte,
• Abstract要約: 地球の炭素循環の不確かさは、気候予測において大きな制約となっている。 データ駆動型フレームワークAI4Landを提案する。 本研究は, 地表面の現実的・進化的条件をオンデマンドで提供することにより, 臨界不確実性を低減し, 次世代気候シミュレーションの予測能力を向上させることを目的とする。
• 参考スコア（独自算出の注目度）: 1.6329256865831512
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Uncertainty in the terrestrial carbon cycle remains a major constraint in climate projections, partly driven by the uncertainties affecting the land surface representation and variability in Earth system models. To address this limitation, we present a data-driven framework AI4Land, for generating high-resolution historical reconstructions and future projections of key land surface variables. The framework follows a two-phase approach using a U-Net architecture. In the first phase, which is the focus of this work, it reconstructs annual land use and land cover by integrating coarse-resolution scenario data with static geophysical features. In a planned second phase, the resulting high-resolution maps will be used to predict dynamic biophysical variables, particularly leaf area index, at finer temporal scales. Trained on Earth observation data, the models learn to reproduce spatially explicit and physically consistent land surface patterns, extending temporal coverage to periods lacking direct observations. AI4Land was developed and trained on MareNostrum5, demonstrating how GPU-accelerated HPC infrastructure enables global-scale climate AI pipelines. The final product is a suite of open-source emulators designed for real-time coupling with digital twin platforms, such as those developed under the Destination Earth initiative. By delivering realistic and evolving land surface conditions on demand, this work aims to reduce critical uncertainties and improve the predictive power of next-generation climate simulations.
• Abstract（参考訳）: 地球の炭素循環の不確かさは、地球系モデルにおける陸面の表象と変動に影響を及ぼす不確実性によっても引き起こされる、気候予測において大きな制約となっている。 この制限に対処するため、我々は、重要地表面変数の高解像度な歴史的再構成と将来の予測を生成するための、データ駆動型フレームワークAI4Landを提案する。 このフレームワークは、U-Netアーキテクチャを使った2段階のアプローチに従っている。 本研究の焦点である第1フェーズでは、粗度シナリオデータと静的な物理特性を統合することにより、年間土地利用と土地被覆を再構築する。 計画された第2フェーズでは、結果として得られる高分解能マップを使用して、動的生物物理学変数、特に葉面積指数をより微細な時間スケールで予測する。 地球観測データに基づいて訓練されたこのモデルは、空間的に明確で物理的に整合した陸面パターンを再現し、時間的範囲を直接観測できない期間まで延長する。 AI4LandはMareNostrum5上で開発、トレーニングされ、GPUアクセラレーションされたHPCインフラストラクチャが世界規模の気候AIパイプラインをどのように実現しているかをデモした。 最後の製品は、Destination Earthイニシアチブで開発されたような、デジタルツインプラットフォームとリアルタイムに結合するために設計されたオープンソースのエミュレータのスイートである。 本研究は, 地表面の現実的・進化的条件をオンデマンドで提供することにより, 臨界不確実性を低減し, 次世代気候シミュレーションの予測能力を向上させることを目的とする。

関連論文リスト

• 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)
• StefaLand: An Efficient Geoscience Foundation Model That Improves Dynamic Land-Surface Predictions [8.261844935991348]
  伝統的なインパクトモデルは、限られた観測と概念の漂流のために空間的な一般化に苦しむ。 ランドスケープインタラクションを中心とした地層モデルであるStefaLandを紹介した。 我々の知る限り、これは地表面相互作用予測を実証的に改善する最初の地表面基盤モデルである。
  論文  参考訳（メタデータ） (2025-09-22T16:05:45Z)
• Detection and Simulation of Urban Heat Islands Using a Fine-Tuned Geospatial Foundation Model [0.0]
  本研究は,将来の気候シナリオ下での都市表面温度を予測するため,地理空間基盤モデルを微調整する。 このモデルは1.74degC未満のピクセル単位のダウンスケーリングエラーを達成し、地上の真理パターンと一致し、外挿能力は3.62degCまで向上した。
  論文  参考訳（メタデータ） (2025-09-20T10:41:33Z)
• Geospatial Diffusion for Land Cover Imperviousness Change Forecasting [0.0]
  本稿では,歴史的・補助的なデータソースに規定されたデータ問題としてLULC予測をフレーミングすることにより,土地被覆変化予測のためのジェネレーティブAI(GenAI)を利用した新しいパラダイムを提案する。 本研究では,不確実性予測のための拡散モデルをトレーニングし,その性能を全く変化しないベースラインと比較する。 トレーニング期間中に12大都市圏で1年間にわたり評価した結果,平均分解能が$geq 0.7times0.7km2$の場合,これらのベースラインよりもMAEが低いことが示唆された。
  論文  参考訳（メタデータ） (2025-08-14T13:45:10Z)
• CirT: Global Subseasonal-to-Seasonal Forecasting with Geometry-inspired Transformer [47.65152457550307]
  重力の循環特性をモデル化する幾何インスパイアされた循環変換器(CirT)を提案する。 地球再分析5(ERA5)再解析データセットの実験は、我々のモデルが先進的なデータ駆動モデルよりも大幅に改善することを示した。
  論文  参考訳（メタデータ） (2025-02-27T04:26:23Z)
• MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
  気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。 以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。 本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
  論文  参考訳（メタデータ） (2024-08-20T13:45:49Z)
• Spatiotemporal modeling of European paleoclimate using doubly sparse Gaussian processes [61.31361524229248]
  計算負担を軽減するため,近年の大規模分散時間GPを構築した。 我々は,古気候の確率モデルを構築するために,この2倍のスパースGPをうまく利用した。
  論文  参考訳（メタデータ） (2022-11-15T14:15:04Z)
• Earthformer: Exploring Space-Time Transformers for Earth System Forecasting [27.60569643222878]
  本研究では,地球系予測のための時空間変圧器である地球変圧器を提案する。 Transformerは、Cuboid Attentionという、汎用的で柔軟で効率的な時空アテンションブロックに基づいている。 降水量計に関する2つの実世界のベンチマークとエルニーノ/サウス・テンポシエーションの実験は、アースフォーマーが最先端のパフォーマンスを達成したことを示している。
  論文  参考訳（メタデータ） (2022-07-12T20:52:26Z)
• Predicting Future Occupancy Grids in Dynamic Environment with Spatio-Temporal Learning [63.25627328308978]
  本稿では,将来の占有予測を生成するための時間的予測ネットワークパイプラインを提案する。 現在のSOTAと比較して、我々の手法は3秒の長い水平線での占有を予測している。 我々は、さらなる研究を支援するために、nulisに基づくグリッド占有データセットを公開します。
  論文  参考訳（メタデータ） (2022-05-06T13:45:32Z)
• Dynamical Landscape and Multistability of a Climate Model [64.467612647225]
  2つの気候モデルのうちの1つで第3の中間安定状態が見つかる。 我々のアプローチを組み合わせることで、海洋熱輸送とエントロピー生産の負のフィードバックが地球の気候の地形をどのように大きく変えるかを特定することができる。
  論文  参考訳（メタデータ） (2020-10-20T15:31:38Z)

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。