論文の概要: Reconstructing GRACE Terrestrial Water Storage with Spatio-Temporal Graph Neural Networks: An Application to South America

• arxiv url: http://arxiv.org/abs/2606.23833v1
• Date: Mon, 22 Jun 2026 18:15:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 22:16:48.62286
• Title: Reconstructing GRACE Terrestrial Water Storage with Spatio-Temporal Graph Neural Networks: An Application to South America
• Title（参考訳）: 時空間グラフニューラルネットワークを用いたGRACE陸域貯水池の再構築 : 南アメリカへの展開
• Authors: Lukas Arzoumanidis, Lara Johannsen, Klara Middendorf, Annette Eicker, Youness Dehbi,
• Abstract要約: 1940年までの毎月のGRACEライクなTWS異常を再構築する深層学習アプリケーションを提案する。 グリッドセル相関は0.69、流域平均相関は0.94、ほぼゼロとなる。 2015/16年のエル・ニオと2020/21年のラ・ニアの出来事の指紋を再現する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Terrestrial water storage (TWS) integrates snow, soil moisture, surface water, and groundwater and is a key indicator of how climate variability and human activity reshape the global water cycle. The GRACE and GRACE-FO satellite missions provide the only direct, globally consistent observations of TWS change, but their record only begins in 2002 which is too short for many climate-scale analyses. We present a deep learning application that reconstructs monthly GRACE-like TWS anomalies (TWSA) back to 1940 by learning the relationship between daily ERA5 meteorological forcing (precipitation, evapotranspiration, runoff) and monthly GRACE observations. In contrast to prior reconstruction approaches based on grid-cell-wise regression, CNNs, or LSTMs, we adapt a multi-variate time series graph neural network (MTGNN) architecture, which was originally developed for mobility and traffic forecasting on urban sensor networks to this satellite-geodesy task. Spatial dependencies are encoded in a static, interpretable hybrid adjacency matrix that combines geodesic proximity with lagged correlations of climatic time series, capturing both local hydrological coupling and large-scale teleconnections. The reconstruction achieves a grid-cell Pearson correlation of 0.69, a basin-mean correlation of 0.94, and a near-zero bias, and it reproduces the spatial fingerprints of the 2015/16 El Niño and 2020/21 La Niña events. A systematic comparison with established reconstruction approaches (GTWS-MLrec, RM-REC, GRAiCE) shows that the graph-based model is statistically competitive at basin scale, reaching a correlation within 0.025 of the best baseline while using only roughly half to a tenth of the predictors the other models require and revealing characteristic weaknesses in arid regions in all models. The complete implementation is publicly available at github.com/hcu-cml/MTGNN-TWS-Reconstruction-GRACE
• Abstract（参考訳）: 陸域貯水池 (TWS) は, 積雪, 土壌水分, 表層水, 地下水を集積し, 気候変動と人的活動が地球規模の水循環をいかに形作るかを示す重要な指標である。 GRACEとGRACE-FOの衛星ミッションは、TWSの変化を直接的に一貫した観測を提供するが、その記録は2002年に始まっただけで、多くの気候スケールの分析には短すぎる。 我々は,1940年までの月次GRACE様TWS異常(TWSA)を,日次ERA5気象強制(降雨,蒸発散,流出)と月次GRACE観測との関係を学習して再構築する深層学習アプリケーションを提案する。 グリッドセル・リグレッション(CNN)やLSTM(LSTM)に基づく事前再構成手法とは対照的に,当初,都市センサネットワーク上での移動と交通予測のために開発された多変量時系列グラフニューラルネットワーク(MTGNN)アーキテクチャを,この衛星ジオディックタスクに適用した。 空間的依存関係は静的に解釈可能なハイブリッド隣接行列に符号化され、ジオデシック近接と気候時系列のラッジ相関を結合し、局所的な水文的結合と大規模遠隔接続の両方を捕捉する。 2015/16エルニーニョと2020/21ラニーニャの空間指紋を再現し、グリッドセルのピアソン相関を0.69、盆地平均相関を0.94、ほぼゼロバイアスとした。 確立された再構成手法 (GTWS-MLrec, RM-REC, GRAiCE) と体系的に比較した結果, グラフベースモデルは盆地スケールで統計的に競争力があり, 最良ベースラインの0.025以内の相関に到達し, 他のモデルが必要とする予測器の約10分の1しか使用せず, 全てのモデルにおける乾燥領域の特徴的弱点を明らかにしている。 完全な実装はgithub.com/hcu-cml/MTGNN-TWS-Reconstruction-GRACEで公開されている。

関連論文リスト

• Forecasting Ionospheric Irregularities on GNSS Lines of Sight Using Dynamic Graphs with Ephemeris Conditioning [1.100580615194563]
  我々は、電離圏のピアス点(IPP)上の動的グラフとして電離圏をモデル化する。 この特性を将来のグラフ構造に関する条件予測に活用する。 これにより、予測地平線にのみ現れる視線を予測できる。
  論文  参考訳（メタデータ） (2026-04-20T15:04:20Z)
• CSU-PCAST: A Dual-Branch Transformer Framework for medium-range ensemble Precipitation Forecasting [6.540270371082014]
  本研究では,多段階降水予測のための深層学習に基づくアンサンブルフレームワークを開発する。 アーキテクチャはパッチベースのSwin Transformerのバックボーンを使用し、周期的な畳み込みによって長手連続性を扱う。 トレーニングは、CRPS(Continuous Ranked Probability Score)と重み付きlog1p平均二乗誤差(log1pMSE)を組み合わせたハイブリッド損失を最小限にする
  論文  参考訳（メタデータ） (2025-10-23T17:43:38Z)
• S$^2$Transformer: Scalable Structured Transformers for Global Station Weather Forecasting [67.93713728260646]
  既存の時系列予測手法は、大規模なグローバルステーション予測を行う際に、空間的相関を無視または一方向的にモデル化することが多い。 これは、予測性能を制限する地球規模の気象システムの観測の根底にある性質と矛盾する。 本稿では,構造的空間的注意を新たに提案する。 空間グラフを一連のサブグラフに分割し、サブグラフ内の注意をインスタンス化し、各サブグラフ内の局所的な空間相関を学習する。 ノードをサブグラフ間のメッセージパッシングのためのサブグラフ表現に集約する。
  論文  参考訳（メタデータ） (2025-09-10T05:33:28Z)
• HydroGAT: Distributed Heterogeneous Graph Attention Transformer for Spatiotemporal Flood Prediction [7.643667076993224]
  グラフネットワーク(GNN)は、水文的なルーティングを学ぶのに理想的な川網に沿って情報を伝播する。 そこで本研究では,各地と河川のピクセルが,物理的水文・流域間関係によって接続されたノードである異種盆地グラフを提案する。 本稿では,局所的時間的重要性と最も影響力のある上流地を適応的に学習する時間的ネットワークであるHydroGATを提案する。
  論文  参考訳（メタデータ） (2025-09-02T16:31:40Z)
• ReconMOST: Multi-Layer Sea Temperature Reconstruction with Observations-Guided Diffusion [48.540756751934836]
  ReconMOSTは多層水温再構築のためのデータ駆動誘導拡散モデルフレームワークである。 提案手法はMLベースのSST再構成をグローバルな多層設定に拡張し,92.5%以上の欠落データを処理する。
  論文  参考訳（メタデータ） (2025-06-12T06:27:22Z)
• GAIA: A Foundation Model for Operational Atmospheric Dynamics [0.83442357861662]
  我々は,MAE(Masked Autoencoders)とラベルのない自己蒸留(DINO)を融合したハイブリッド自己教師型モデルGAIAを紹介する。 GAIAは、自明な日中パターンではなく、大気力学を捉える非絡み合った表現を学ぶ。 下流タスクに移行すると、GAIAは一貫してMAEのみのベースラインを上回っます。
  論文  参考訳（メタデータ） (2025-05-15T05:07:09Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• Transforming Observations of Ocean Temperature with a Deep Convolutional Residual Regressive Neural Network [0.0]
  海面温度(SST)は、地上の真理、リモートセンシング、ハイブリッドモデル手法を通じて測定できる、必須の気候変動である。 ここでは,20世紀後半から21世紀初頭にかけてのいくつかの技術進歩を応用して,SST監視の進展を祝福する。 本研究では, AMSR-E と MODIS を高分解能に融合させるため, 既存の水循環観測フレームワークである Flux to Flow (F2F) を開発した。 我々のニューラルネットワークアーキテクチャは、深い畳み込み残留回帰ニューラルネットワークに制約されている。
  論文  参考訳（メタデータ） (2023-06-16T17:35:11Z)

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。