論文の概要: GeoPrior-Mamba: Structured Process Priors with Mamba for Fine-Resolution XCO2 Reconstruction

• arxiv url: http://arxiv.org/abs/2610.09456v1
• Date: Wed, 07 Oct 2026 05:11:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.72916
• Title: GeoPrior-Mamba: Structured Process Priors with Mamba for Fine-Resolution XCO2 Reconstruction
• Title（参考訳）: GeoPrior-Mamba:微細リゾリューションXCO2再構成のためのMambaを用いた構造化プロセス
• Abstract要約: オフライン言語モデルによる構造化プロセス前処理を付加した多方向性のMambaフレームワークであるGeoPrior-Mambaを紹介する。 我々は, 生物圏, 生態系呼吸, 人為的排ガスに関する相対的なプロセス知識を, 決定論的事前表にまとめるために, トレーニング前に使用する。 2018-2020年のOCO-2観測で、GeoPrior-Mamba は RMSE は 0.81 ppm、R2 は 0.93 である。
• 参考スコア（独自算出の注目度）: 11.7427530062647
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reconstructing fine-resolution column-averaged dry-air CO2 (XCO2) fields from sparse satellite observations requires models to infer spatial structure that is only weakly constrained by direct measurements. Existing learning-based methods typically treat environmental covariates as ordinary numerical inputs and must therefore learn heterogeneous source-sink relationships largely from sparse supervision. We introduce GeoPrior-Mamba, a multi-directional Mamba framework augmented with offline language-model-induced structured process priors. Rather than using a language model to predict XCO2, we use it before training to organize relative process knowledge for biospheric uptake, ecosystem respiration, and anthropogenic emissions into deterministic prior tables. These priors are spatially instantiated using geographic, ecological, emission-related, and seasonal information and are adaptively injected into the reconstruction backbone through a lightweight knowledge adapter. Using OCO-2 observations from 2018-2020, GeoPrior-Mamba achieves an RMSE of 0.81 ppm and an R2 of 0.93 on held-out observations, reducing RMSE by 48.2% relative to CAMS background interpolation and by 3.1% relative to Trans-XCO2 under the same evaluation protocol. Ablation experiments show a measurable contribution from the knowledge-prior branch and substantially faster convergence than the knowledge-free Mamba backbone. Independent TCCON evaluation further supports the consistency of the reconstructed fields with ground-based column CO2 measurements. These results suggest that language models can provide a practical mechanism for constructing structured process priors when globally consistent process-response representations are difficult to obtain directly, while remaining outside the numerical prediction loop.
• Abstract（参考訳）: 微視的な円柱平均乾式CO2(XCO2)フィールドをスパース衛星観測から再構成するには、直接測定によってのみ弱く制約された空間構造を推測するモデルが必要である。 既存の学習に基づく手法は、環境共変量を通常の数値入力として扱うのが一般的であり、従って、余分な監督から異質なソースシンク関係を学習しなければならない。 オフライン言語モデルによる構造化プロセス前処理を付加した多方向性のMambaフレームワークであるGeoPrior-Mambaを紹介する。 XCO2を予測するために言語モデルを使用するのではなく、私たちは、バイオスフェアの取り込み、生態系の呼吸、人為的排出に関する相対的なプロセス知識を決定論的事前表にまとめるために、トレーニング前にそれを使用する。 これらの先行情報は、地理的、生態学的、排ガス的、季節的な情報を用いて空間的にインスタンス化され、軽量な知識アダプタを介して再建後骨に適応的に注入される。 2018-2020年のOCO-2による観測で、GeoPrior-Mamba は保持状態の観測で RMSE 0.81 ppm と R2 0.93 を達成し、CAMS の背景補間に対して RMSE 48.2% を減少させ、同じ評価プロトコルで Trans-XCO2 に対して 3.1% を減少させた。 アブレーション実験は、知識優先の分岐から測定可能な寄与を示し、知識のないマンバのバックボーンよりもはるかに高速な収束を示す。 TCCONの独立評価は、地上のカラムCO2測定による再構成フィールドの整合性をさらに支援している。 これらの結果は,数値予測ループの外に留まりながら,グローバルに一貫したプロセス応答表現が直接入手し難い場合に,構造化プロセスの事前構築のための実用的なメカニズムを言語モデルが提供できることを示唆している。

関連論文リスト

• Amortized Probabilistic Retrieval of Atmospheric CO2 from OCO-2 Spectra Using Deep Learning with Laplace Approximations and Normalizing Flows [38.973756502055465]
  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。
  論文  参考訳（メタデータ） (2026-06-16T01:49:50Z)
• 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)
• Biomazon: A Multimodal Dataset for 3D Forest Structure and Biomass Modeling in the Amazon Basin [2.280283940644759]
  Biomazonは、Amazon Basin上の20mのマルチモーダルベンチマークデータセットである。 GEDI RHとAGBDターゲットとマルチセンサー予測器をペアリングする。 Biomazonは、構造的に一貫したRH現象予測に関する将来の研究のための基準ベンチマークを確立する。
  論文  参考訳（メタデータ） (2026-06-03T19:16:35Z)
• CHAM-net: A Contrastive Hierarchical Adaptive Meta-network for Robust Global Methane Flux Prediction [29.92121214550302]
  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。
  論文  参考訳（メタデータ） (2026-05-29T20:26:26Z)
• A Footprint-Aware, High-Resolution Approach for Carbon Flux Prediction Across Diverse Ecosystems [8.658824757360104]
  フットプリント・アウェア・レグレッション(フットプリント・アウェア・レグレッション、フットプリント・アウェア・レグレッション、フットプリント・アウェア・レグレッション、フットプリント・アウェア・レグレッション、フットプリント・アウェア・レグレッション、フットプリント・レグレッション、フットプリント・ア・レグレッション、フットプリント・アウェア・レグレッション、フットプリント・ア・レグレッション、フットプリント・ア・レグレッション、フットプリント・ア・レグレッション、フレーション)は、空間フットプリントのフットプリントと30m 本モデルでは,R2=0.78の高分解能予測を行い,様々な生態系の試験場上での月次純生態系の交換を予測した。
  論文  参考訳（メタデータ） (2025-12-01T17:34:41Z)
• UFLUX v2.0: A Process-Informed Machine Learning Framework for Efficient and Explainable Modelling of Terrestrial Carbon Uptake [6.997941838401121]
  光合成によって固定された炭素植物の量であるGrossプライマリ生産性は、グローバルな炭素循環と生態系の機能を理解する上で重要な要素である。 生態学的プロセスの知識に基づいて構築されたプロセスベースのモデルは、それらの仮定と近似から生じるバイアスに影響を受けやすい。 本研究では、最先端の生態知識と高度な機械学習技術を統合するプロセスインフォームドモデルであるUFLUX v2.0を提案する。
  論文  参考訳（メタデータ） (2024-10-04T22:28:30Z)
• 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)
• OXYGENERATOR: Reconstructing Global Ocean Deoxygenation Over a Century with Deep Learning [50.365198230613956]
  既存の専門家が支配する数値シミュレーションは、地球温暖化や人的活動によって引き起こされる動的変動に追いつかなかった。 1920年から2023年までの世界の海洋脱酸素モデルを再構築するために,最初の深層学習モデルであるOxyGeneratorを提案する。
  論文  参考訳（メタデータ） (2024-05-12T09:32:40Z)
• Fake It Till Make It: Federated Learning with Consensus-Oriented Generation [52.82176415223988]
  コンセンサス指向生成による連合学習(FedCOG)を提案する。 FedCOGは、補完的なデータ生成と知識蒸留に基づくモデルトレーニングという、クライアント側の2つの重要なコンポーネントで構成されています。 古典的および実世界のFLデータセットの実験は、FedCOGが一貫して最先端の手法より優れていることを示している。
  論文  参考訳（メタデータ） (2023-12-10T18:49:59Z)
• 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)
• 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)

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。