論文の概要: Amortized Probabilistic Retrieval of Atmospheric CO2 from OCO-2 Spectra Using Deep Learning with Laplace Approximations and Normalizing Flows

• arxiv url: http://arxiv.org/abs/2606.17413v1
• Date: Tue, 16 Jun 2026 01:49:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 17:15:32.205817
• Title: Amortized Probabilistic Retrieval of Atmospheric CO2 from OCO-2 Spectra Using Deep Learning with Laplace Approximations and Normalizing Flows
• Title（参考訳）: ラプラス近似と正規化流を用いた深層学習によるOCO-2スペクトルからの大気CO2の補正確率の推定
• Authors: Alejandro Calle-Saldarriaga, Felix Jimenez, Jack Grosskreuz, Jiazheng Wang, Jonathan Hobbs, Matthias Katzfuss,
• Abstract要約: NASAのOrbiting Carbon Observatory-2 (OCO-2)は、高分解能スペクトルを用いて平均的なCO2の乾燥空気モル分画を推定している。 現在の運用検索アルゴリズムは計算コストが高く、不確実性を適切に定量化できない。 これらの課題に対処する新しいディープラーニングフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 38.973756502055465
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Space-based monitoring of atmospheric carbon dioxide (CO2) is essential for constraining the global carbon budget. NASA's Orbiting Carbon Observatory-2 (OCO-2) estimates column-averaged dry-air mole fractions of CO2 (XCO2) using high-resolution spectra. However, current operational retrieval algorithms are computationally expensive and do not properly quantify uncertainties. We present a novel deep learning framework that addresses these challenges. Due to the difficulties of ground-truth data for real satellite observations, we develop and validate our approach using a high-fidelity simulation dataset. This dataset, created to support OCO-2 uncertainty quantification (UQ), incorporates realistic forward model errors. Our architecture encodes spectral bands using a multi-branch neural network and estimates posteriors of the full CO2 column or desired summaries thereof using two scalable UQ methods: Laplace approximations and normalizing flows. Our approach has five key advantages relative to operational "full-physics" solvers: (1) Amortization: Inference is orders of magnitude faster, enabling real-time processing of massive data streams; (2) Model error robustness: By training on simulations that explicitly include model discrepancies, our method accounts for systematic errors often neglected by standard inversions; (3) Point estimate accuracy: We achieve superior predictive accuracy compared to baseline methods; (4) Improved UQ: The probabilistic outputs yield better-calibrated uncertainty estimates; and (5) Non-Gaussian posteriors: When utilizing normalizing flows, our framework successfully models complex, asymmetric posterior distributions, overcoming the limitations of the Gaussian assumption. These results suggest that simulation-based deep learning is a viable path toward next-generation operational processing systems.
• Abstract（参考訳）: 大気中の二酸化炭素(CO2)の宇宙観測は、地球規模の炭素予算の制約に不可欠である。 NASAのOrbiting Carbon Observatory-2 (OCO-2)は、高分解能スペクトルを用いて、カラム平均のCO2(XCO2)モル分率を推定している。 しかし、現在の運用検索アルゴリズムは計算コストが高く、不確実性を適切に定量化できない。 これらの課題に対処する新しいディープラーニングフレームワークを提案する。 実測衛星観測のための地上観測データの困難さから,高忠実度シミュレーションデータセットを用いて,我々のアプローチを開発し,検証する。 OCO-2不確実性定量化(UQ)をサポートするために作成されたこのデータセットには、現実的な前方モデルエラーが含まれている。 本アーキテクチャでは,マルチブランチニューラルネットワークを用いてスペクトル帯域を符号化し,拡張性のあるUQ手法であるラプラス近似と正規化フローを用いて,全CO2カラムの後方あるいは所望のサマリーを推定する。 提案手法の主な利点は,(1)償却:推論が桁違いに高速であり,大規模データストリームのリアルタイム処理を可能にすること,(2)モデル誤差の堅牢性:モデル不一致を明示的に含むシミュレーションのトレーニングにより,標準逆転法に無視されるような系統的エラーを対象とすること,(3)ポイント推定精度:ベースライン法と比較して予測精度が優れていること,(4)確率的出力がより良いキャリブレーション不確実性推定を得られること,(5)非ガウス的後続法:正規化フローを利用する場合,我々のフレームワークは複雑で非対称な後続分布をモデル化し,ガウス的仮定の限界を克服すること,である。 これらの結果から,シミュレーションに基づくディープラーニングは,次世代の操作処理システムへの有効な道筋であることが示唆された。

関連論文リスト

• Function-Space Decoupled Diffusion for Forward and Inverse Modeling in Carbon Capture and Storage [65.51149575007149]
  本稿では,Fun-DDPSについて述べる。Fun-DDPSは,関数空間拡散モデルと微分可能なニューラル演算子サロゲートを結合した生成フレームワークである。 Fun-DDPSは、ジョイントステートベースラインで観察される高周波アーティファクトから、物理的に一貫した実現をもたらす。
  論文  参考訳（メタデータ） (2026-02-12T18:58:12Z)
• Conditional Diffusion-Based Retrieval of Atmospheric CO2 from Earth Observing Spectroscopy [0.0]
  今後の衛星ミッションは、現在のGHG観測衛星よりも桁違いに多くのデータを提供する。 堅牢な不確実性定量化を伴う高速かつ正確な検索アルゴリズムの開発が重要である。 我々は、NASAのオービティングカーボン天文台-2の分光計において、ガウスまたは非ガウスの後方を柔軟に回収するための拡散に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2025-04-23T19:46:18Z)
• On the Wasserstein Convergence and Straightness of Rectified Flow [54.580605276017096]
  Rectified Flow (RF) は、ノイズからデータへの直流軌跡の学習を目的とした生成モデルである。 RFのサンプリング分布とターゲット分布とのワッサーシュタイン距離に関する理論的解析を行った。 本稿では,従来の経験的知見と一致した1-RFの特異性と直線性を保証する一般的な条件について述べる。
  論文  参考訳（メタデータ） (2024-10-19T02:36:11Z)
• Sampling from Gaussian Process Posteriors using Stochastic Gradient Descent [43.097493761380186]
  勾配アルゴリズムは線形系を解くのに有効な方法である。 最適値に収束しない場合であっても,勾配降下は正確な予測を導出することを示す。 実験的に、勾配降下は十分に大規模または不条件の回帰タスクにおいて最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-06-20T15:07:37Z)
• Enhanced prediction accuracy with uncertainty quantification in monitoring CO2 sequestration using convolutional neural networks [3.3336265497547135]
  同時量子回帰(SQR)は、ピンボール損失によってニューラルネットワークのターゲット変数の条件分布全体を推定することができる。 本研究では,不確実性をサンプリングし,予測精度をさらに向上する新しいデータ拡張手法を提案する。 開発された手法は、エネルギー省によって作成され、カリフォルニア州のCO2捕獲隔離プロジェクトに基づいて、Kimberlinaの合成データに基づいて試験される。
  論文  参考訳（メタデータ） (2022-12-08T21:25:20Z)
• 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 Equilibrium Optical Flow Estimation [80.80992684796566]
  最近のSOTA(State-of-the-art)光フローモデルでは、従来のアルゴリズムをエミュレートするために有限ステップの更新操作を使用する。 これらのRNNは大きな計算とメモリオーバーヘッドを課し、そのような安定した推定をモデル化するために直接訓練されていない。 暗黙的層の無限レベル固定点として直接流れを解く手法として,Deep equilibrium Flow estimatorを提案する。
  論文  参考訳（メタデータ） (2022-04-18T17:53:44Z)
• Probabilistic Mass Mapping with Neural Score Estimation [4.079848600120986]
  弱レンズ質量マッピング問題の高次元ベイズ後方の効率的なサンプリング法を提案する。 本手法の精度をシミュレーションで実証し,HST/ACS COSMOSフィールドの大量再構成に適用する。
  論文  参考訳（メタデータ） (2022-01-14T17:07:48Z)
• Physics-aware deep neural networks for surrogate modeling of turbulent natural convection [0.0]
  Rayleigh-B'enard乱流流に対するPINNのサーロゲートモデルの使用を検討する。 標準ピンの精度が低いゾーンであるトレーニング境界に近い正規化として、どのように機能するかを示す。 50億のDNS座標全体のサロゲートの予測精度は、相対的なL2ノルムで[0.3% -- 4%]の範囲のすべてのフロー変数のエラーをもたらします。
  論文  参考訳（メタデータ） (2021-03-05T09:48:57Z)

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。