論文の概要: Physics-Informed Neural Networks for Predicting Nitrous Oxide Flux
- arxiv url: http://arxiv.org/abs/2607.23880v1
- Date: Sun, 26 Jul 2026 22:53:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-28 22:34:15.259864
- Title: Physics-Informed Neural Networks for Predicting Nitrous Oxide Flux
- Title（参考訳）: 窒素酸化物フラックス予測のための物理インフォームニューラルネットワーク
- Abstract要約: 酸化窒素 (N$O) は21世紀に放出されたオゾンの分解物質である。
農業プロセスの結果、N$O排出量の70%以上が発生している。
N$Oフラックスの放出を予測する現在のアプローチには、プロセスベースのモデルと古典的なAIモデルが含まれる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Nitrous oxide (N$_2$O) is the dominant ozone-depleting substance emitted in the 21st century, and the third largest contributor to anthropogenic greenhouse gases due to its high potency and long atmospheric lifetime, with more than 70% of N$_2$O emissions occurring as a result of agricultural processes. Current approaches to predicting N$_2$O flux emissions include process-based models such as DayCent and Cycles, as well as classical AI models, but the application of Physics-Informed Neural Networks (PINNs) to predicting N$_2$O flux emissions is largely underexplored. Our paper draws upon the mechanistic equations that underlie the DayCent family of process-based models to construct a rigorously derived, literature-traceable physics residual. We then build and train an MLP-based PINN on a multi-site agricultural dataset spanning four geographically distinct US agricultural sites. Across all tested values of the physics loss weighting hyperparameter $λ$, our PINN consistently and substantially outperformed uncalibrated Cycles simulation (R$^2=0.01$), with our MLP baseline achieving mean R$^2=0.411$ across ten random seeds. Physics constraints consistently degrade model performance in holdout validation, with marginal degradation at low $λ$ and significant degradation at high $λ$, but consistently improve model performance and reduce performance variability in leave-one-site-out validation. This suggests that physics constraints sacrifice in-distribution accuracy for out-of-distribution robustness, anchoring the model toward biogeochemically plausible behavior on unfamiliar soil conditions --- though cross-site generalization remains challenging, with negative R$^2$ across all seeds and $λ$ values on our geographically distinct held-out site.
- Abstract（参考訳）: 亜酸化窒素 (N$_2$O) は21世紀に放出されたオゾン分解物質であり, 農業プロセスの結果, N$_2$O排出量の70%以上を占め, 高い有効性と長寿命性により, 人為的温室効果ガスの寄与は3番目に大きい。
現在、N$2$Oフラックスの放出を予測するアプローチには、DayCentやCyclesといったプロセスベースのモデルや古典的なAIモデルなどがあるが、N$2$Oフラックスの放出を予測するためにPhysical-Informed Neural Networks (PINNs)の適用は、ほとんど未定である。
本稿では, プロセスベースモデルのDayCent族を基盤として, 厳密に派生した文献追跡可能な物理残基を構築するための力学式について述べる。
次に、地理的に異なる4つの米国の農業施設にまたがる多地点農業データセット上で、MPPベースのPINNを構築し、訓練する。
物理損失重み付けハイパーパラメーター$λ$の全ての試験値において、PINNは10個のランダムシードに対して平均R$^2=0.411$を達成し、不平衡サイクルシミュレーション(R$^2=0.01$)をほぼ上回っている。
物理制約は、ホールドアウトバリデーションにおいてモデル性能を常に低下させ、低いλ$での限界劣化と高いλ$での顕著な劣化を許容するが、モデル性能を一貫して改善し、残余のサイトアウトバリデーションにおける性能変動を減少させる。
このことは, 物理の制約が分布不連続性に対する分布内精度を犠牲にし, 生物地球化学的に不慣れな土壌条件下での挙動をモデルに固定すること, クロスサイト一般化は依然として困難であり, 全種にわたって負のR$^2$, 地理的に異なる保留地上でのλ$の値を持つことを示している。
関連論文リスト
- A Trainable-by-Parts Operator Learning Framework: Bridging DeepONet and Karhunen-Loeve Expansions for Large-Scale Applications [46.07145155913717]
我々はKL-DNN(Karhunen-Loeve Deep Neural Network)に基づくスケーラブルな演算子学習フレームワークを提案する。
このモデルは、170万の細胞と50の時間ステップを持つ3次元領域において、100の大規模なシミュレーションのサンプルからなるデータセットで訓練される。
論文 参考訳（メタデータ） (2026-06-26T18:15:24Z) - How Neural Reward Models Learn Features for Policy Optimization: A Single-Index Analysis [53.063298916923976]
r*(x) = *(langle *, xrangle)$ と $x sim N(0, I_d)$ でガウスの単一インデックスモデルでフィードバックを研究する。
まず、報酬重み付きサンプルから隠れた方向を*$で学習し、次に重み付きリッジ回帰により読み出し層に適合する2段階のニューラル報酬モデルを分析する。
論文 参考訳（メタデータ） (2026-05-23T22:00:38Z) - Enhancing the interpretability of spatially variable N2O model predictions with soft sensors during wastewater treatment [0.0]
我々は、排水処理プラントの障害を機械学習モデルがどのように予測するかを分析した。
ニトロス酸化物(N2O)排出のモニタリングは, 植物全体の力学モデルを用いてシミュレートした。
我々は,N2Oソフトセンサモデルの予測は,データセットの計測位置と方法論的不確実性に限られていると主張している。
論文 参考訳（メタデータ） (2026-04-15T09:48:49Z) - SCALE:Scalable Conditional Atlas-Level Endpoint transport for virtual cell perturbation prediction [46.645872209565574]
仮想セル摂動予測のための大規模基盤モデルを提案する。
まず、データスループットを大幅に改善するBioNeMoベースのトレーニングおよび推論フレームワークを構築します。
第二に、摂動予測を条件付き輸送として定式化し、それをセットアウェアフローアーキテクチャで実装する。
第3に,生物学的に有意な指標に基づく厳密なセルレベルプロトコルを用いて,Tahoe-100Mのモデルを評価する。
論文 参考訳（メタデータ） (2026-03-18T05:51:08Z) - Beyond the Hype: Comparing Lightweight and Deep Learning Models for Air Quality Forecasting [1.2744523252873352]
本研究では,Facebook Prophet (FBP) とNeural Prophet (NP) の軽量付加モデルが,中国の北京で粒子状物質の競合予測を実現するかどうかを検討する。
複数年間の汚染物質および気象データを用いて,系統的特徴選択(相関,相互情報,mRMR),リークセーフスケーリング,時系列データ分割を適用した。
その結果, FBPはNP, SARIMAX, 学習ベースラインを一貫して上回り, 両方の汚染物質に対してR2$以上を達成できた。
論文 参考訳（メタデータ） (2025-12-09T19:39:45Z) - Interactive Atmospheric Composition Emulation for Next-Generation Earth System Models [0.0]
地球系モデル(ESM)のインタラクティブシミュレーションは、各段階ごとに多数のガスやエアロゾルを輸送するため、計算コストがかかる。
我々は、機械学習(ML)を使用してModelE NINTトレーサバージョンを拡張し、インタラクティブなエミッションをエミュレートするSmartINTを作成する。
Smart NINTは、気象データを入力としてMLを用いてインタラクティブに濃度を計算し、完全な物理パラメータ化を避ける。
論文 参考訳（メタデータ） (2025-10-12T15:18:37Z) - Fourier Neural Operator based surrogates for $CO_2$ storage in realistic geologies [57.23978190717341]
我々は,$CO$ plume マイグレーションのリアルタイム・高分解能シミュレーションのためのニューラル演算子(FNO)モデルを開発した。
このモデルは、現実的な地下パラメータから生成された包括的なデータセットに基づいて訓練される。
本稿では,実際の地質学的位置を評価する上で重要なモデルから予測の信頼性を向上させるための様々な戦略を提案する。
論文 参考訳（メタデータ） (2025-03-14T02:58:24Z) - Atmospheric Transport Modeling of CO$_2$ with Neural Networks [46.26819563674888]
大気中のCO$の分布を大気トレーサー輸送モデルで正確に記述することは、温室効果ガスモニタリングおよび検証支援システムに不可欠である。
大きな深層ニューラルネットワークは、大気の3Dモデリングを必要とする気象予報に革命を起こす可能性がある。
本研究では,気象予測の最先端として実証された4種類の深層ニューラルネットワークについて検討し,大気トレーサー輸送モデルの有用性について検討した。
論文 参考訳（メタデータ） (2024-08-20T17:33:20Z) - Intelligent Agricultural Management Considering N$_2$O Emission and
Climate Variability with Uncertainties [5.04035338843957]
本研究では、農業において人工知能(AI)が作物の収量を増加させ、細管の使用と水処理を行い、硝酸塩の流出と温室効果ガスを減らす方法について検討した。
気候変動や農業知識の制限に直面するため、農業環境とAIエージェントの相互作用をモデル化するために、作物シミュレーターを用いた部分観測可能なマルコフ決定プロセス(POMDP)を用いる。
また,N$O排出を予測する機械学習(ML)モデルを開発し,これらの予測をシミュレータに統合する。
論文 参考訳（メタデータ） (2024-02-13T22:29:40Z) - Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。
ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。
このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
論文 参考訳（メタデータ） (2023-09-24T19:57:22Z) - Dynamic weights enabled Physics-Informed Neural Network for simulating
the mobility of Engineered Nano-particles in a contaminated aquifer [0.0]
工業用ナノ粒子 (ENPs) は, 地下水汚染物質のその場分解に有効な反応剤として出現している。
ENPの複雑な輸送と保持機構は、効率的な修復戦略の開発を妨げる。
この研究は、動的で重量対応の物理インフォームドニューラルネットワーク(dw-PINN)フレームワークを使用して、帯水層内のナノ粒子の挙動をモデル化する。
論文 参考訳（メタデータ） (2022-10-25T07:55:20Z)
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。