論文の概要: From Weather to Enhanced Weathering: Weather Foundation Models for Carbon Dioxide Removal at Operational Scale

• arxiv url: http://arxiv.org/abs/2610.28973v1
• Date: Tue, 20 Oct 2026 22:47:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.155576
• Title: From Weather to Enhanced Weathering: Weather Foundation Models for Carbon Dioxide Removal at Operational Scale
• Title（参考訳）: 気象から高度化への道-二酸化炭素除去のための気象基礎モデル-
• Abstract要約: 強化岩風化(ERW)は炭素除去ソリューションであり、年間CO$のギガトンを除去する可能性がある。 我々は5つの気象モデル(FM)を,軽量デコーダを供給している冷凍エンコーダとして評価した。 私たちの最良のモデルTerraNova-ERWは、Aurora 1.5上に構築され、これまで見たことのないフィールド内での観測を積極的に順序付けしています。
• 参考スコア（独自算出の注目度）: 1.6078134198754157
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Enhanced Rock Weathering (ERW) is a carbon removal solution with the potential to remove gigatons of CO$_2$ per year, but quantifying that removal today requires dense soil sampling and laboratory analysis. We evaluate five weather Foundation Models (FMs) as frozen encoders feeding lightweight decoders, under a leave-one-field-out protocol on 5,192 chronosequences from 264 fields across Brazil and the US. To our knowledge, this is the first holistic evaluation of weather FMs for ERW and the largest evaluation on operational ERW data. We find that across weather FMs, representations transfer to ERW: our best model, TerraNova-ERW, built on Aurora 1.5, positively orders measurements within fields it has never seen. Zero-shot prediction of a new field's mean removal is not yet feasible, and we attribute this to data scale: the same architecture excels on $\sim$$10^5$ natural-weathering sequences, anchoring the scale we expect ERW data must reach. Few-shot prediction, blending the model with a few samples per field, is supported today: TerraNova-ERW recovers over 60% of the highest-removal fields with two samples per field, roughly halves the samples needed to estimate a field's mean removal, and can cut sampling on our densest fields by 28-98%.
• Abstract（参考訳）: 強化された岩石風化(ERW)は、二酸化炭素のギガトンを年額2ドル(約2万6000円)で除去する可能性を持つ炭素除去ソリューションであるが、今日の除去には高濃度の土壌サンプリングと実験室分析が必要であると定量化している。 我々は,5つの気象基礎モデル (FM) を,ブラジルとアメリカの264フィールドから5,192時間間隔で,軽量デコーダを供給しているフリーズエンコーダとして評価した。 我々の知る限り、これはERWのための気象FMの総合的な評価であり、ERWデータに対する最大の評価である。 私たちの最良のモデルTerraNova-ERWは、Aurora 1.5上に構築され、これまで見たことのないフィールド内での観測を積極的に順序付けしています。 同じアーキテクチャは$$\sim$$10^5$の自然なウィータリングシーケンスに優れており、ERWデータが到達しなければならないスケールを固定しています。 TerraNova-ERWは、1フィールドあたり2つのサンプルで、最も除去率の高いフィールドの60%以上を回復し、フィールドの平均除去を推定するのに要するサンプルの約半分を回収し、最も密度の高いフィールドのサンプリングを28-98%削減します。

関連論文リスト

• Aries: A Proprietary Medium-Range Weather Prediction Model for the Energy Industry [2.083477641291698]
  InCommoditiesで開発されたSwinTransformerベースの機械学習天気予報モデルであるAriesを提案する。 エイリーはERA5の再分析データを0.25度で測定し、74の予後と11の診断的大気変数を予測している。 10mの風速では、Ariesは最大4日間のリードタイムでECMWF HRESとAIFSを上回り、2mの温度ではAIFSと同等のRMSEを達成している。
  論文  参考訳（メタデータ） (2026-09-09T11:24:00Z)
• Apeliotes: A Diffusion-Based Modeling Framework for km-scale Multi-Level Atmospheric Fields [1.9686770963118387]
  Apeliotesは高解像度気象予報のためのフレームワークである。 このモデルは、真理と予測場の間の誤差が3%未満の垂直風速分布を予測する。
  論文  参考訳（メタデータ） (2026-07-19T02:50:58Z)
• Knowledge-Guided Machine Learning Models to Upscale Evapotranspiration in the U.S. Midwest [0.0]
  エバポ蒸散(ET)は陸上と大気の相互作用において重要な役割を担っているが、その正確な定量化は依然として困難である。 本研究は,ツリーベースおよび知識誘導型機械学習(ML)技術とマルチスペクトルリモートセンシングデータ,格子状気象データ,ECデータを統合し,米国中西部のETをスケールアップする。
  論文  参考訳（メタデータ） (2025-10-13T15:15:40Z)
• Impact of Employing Weather Forecast Data as Input to the Estimation of Evapotranspiration by Deep Neural Network Models [0.11249583407496218]
  Evapotranspiration (ET0) は、作物の水需要に係数が関係しているため、スマート灌水スケジューリングを設計するための重要なパラメータである。 FAO56-PM法を用いてET0を計算するには、気温、湿度、風、太陽放射の4つの主要な気象パラメータが必要である。
  論文  参考訳（メタデータ） (2024-03-27T12:01:51Z)
• 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)
• 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)
• Statistical Downscaling of Temperature Distributions from the Synoptic Scale to the Mesoscale Using Deep Convolutional Neural Networks [0.0]
  有望な応用の1つは、低分解能ダイナミックモデルの出力画像を高分解能画像に変換する統計的代理モデルを開発することである。 本研究では,6時間毎に合成温度場をメソスケール温度場にダウンスケールする代理モデルについて検討した。 代理モデルが短時間で実施されれば、高解像度の天気予報ガイダンスや環境緊急警報を低コストで提供する。
  論文  参考訳（メタデータ） (2020-07-20T06:24:08Z)

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。