論文の概要: An AI-enabled high-resolution chlorophyll-a forecasting model that outperforms the operational global biogeochemical system
- arxiv url: http://arxiv.org/abs/2611.17704v1
- Date: Fri, 13 Nov 2026 03:33:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-16 18:43:16.297764
- Title: An AI-enabled high-resolution chlorophyll-a forecasting model that outperforms the operational global biogeochemical system
- Title(参考訳): AIによる高分解能クロロフィル予測モデルによる地球生物地球化学システムの性能向上
- Abstract要約: 我々は10日間の地平線上で表面クロロフィルa濃度の日次予測を生成するAIモデルであるChlを紹介する。
ChlCastは、衛星由来のクロロフィルaフィールドに対して、平均絶対誤差とルート平均二乗誤差をそれぞれ70.74%、47.63%削減する。
- 参考スコア(独自算出の注目度): 24.240377121203593
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Surface chlorophyll-a concentration is a key indicator of marine phytoplankton variability, and short-term forecasts of its distribution provide advance information for marine ecosystem monitoring and management. However, interactions between physical transport and biological processes complicate chlorophyll-a forecasting, and simulating these coupled processes with conventional numerical models imposes substantial computational demands. Here we introduce ChlCast, an AI model that generates daily forecasts of surface chlorophyll-a concentration over a 10-day horizon at approximately 4-km resolution between 60$^\circ$S and 60$^\circ$N. ChlCast combines factorized spatiotemporal convolutions with a multiscale architecture to learn from historical chlorophyll-a fields and climatological information. Compared with the operational 0.25$^\circ$ Copernicus global ocean biogeochemical forecasting system, ChlCast reduces mean absolute error and root mean square error by 70.74% and 47.63%, respectively, against satellite-derived Level-4 chlorophyll-a fields, and by 35.03% and 13.07% against independent BGC-Argo in situ observations. Coastal case studies further show that the 4-km forecasts retain coastal gradients and localized concentration maxima that are weakened by coarse-grid averaging. These results demonstrate the potential of observation-driven deep learning for high-resolution forecasting of surface chlorophyll-a variability at the near-global scale.
- Abstract(参考訳): 表層クロロフィル-a濃度は海洋植物プランクトン変動の重要な指標であり、その分布の短期予測は海洋生態系のモニタリングと管理に先進的な情報を提供する。
しかし、物理輸送と生物過程の相互作用はクロロフィルの予測を複雑にし、これらの結合した過程を従来の数値モデルでシミュレートすると、かなりの計算要求が生じる。
ここでは10日間の地平線上で,60$^\circ$S から 60$^\circ$N の間の約4kmの分解能で表面クロロフィル-a 濃度を毎日予測するAIモデル ChlCast を紹介する。
ChlCastは、分解された時空間の畳み込みとマルチスケールのアーキテクチャを組み合わせて、歴史的クロロフィルaの分野と気候情報から学ぶ。
運用上の0.25$^\circ$ Copernicusの海洋生物地球化学予測システムと比較すると、ChlCastは衛星由来のレベル4クロロフィル-aフィールドに対して平均絶対誤差とルート平均2乗誤差を70.74%、47.63%、独立したBGC-Argo観測では35.03%と13.07%削減している。
沿岸域のケーススタディでは, 4kmの予測は, 粗粒平均化によって弱まる沿岸域の勾配と局部的な濃度の最大値を保持することが示されている。
これらの結果は,表層クロロフィル-a変量率の高分解能予測のための観測駆動型深層学習の可能性を示す。
関連論文リスト
- JEPA-Anything: Learning Predictive Models across Different Worlds [92.95757831350522]
予測因子化(OPF)に基づくドメインに依存しないフレームワークであるJEPA-Anythingを紹介する。
視覚,生物学,臨床軌道,制御,分子動力学,物理場,気象の7分野にまたがって評価を行った。
OPFは潜伏目標を補完的な要因に分解し、専用の経路を通して学習し、それらを共通の予測設計で再結合する。
論文 参考訳(メタデータ) (2026-09-17T17:55:57Z) - Beyond chlorophyll: machine learning estimates of diagnostic phytoplankton pigments from multispectral ocean colour data [0.07817813851272346]
マルチスペクトル衛星観測から診断顔料濃度を推定する機械学習手法の評価を行った。
その結果、マルチスペクトルモデルは、衛星由来のクロロフィル-aのみに基づくアプローチよりも一貫して優れていた。
これらの知見は、衛星データから生態学的に関連のある情報を抽出する機械学習の可能性を強調している。
論文 参考訳(メタデータ) (2026-08-24T14:59:30Z) - Predicting Pseudo-nitzschia harmful algal blooms along the Portuguese Coast using satellite-derived predictors [69.38367341895632]
Pseudo-Nitzschia の珪藻は、海岸生態系やポルトガルの大西洋岸での収穫に繰り返しリスクをもたらす。
衛星由来の予測器を用いて有害な藻類発生を予測する機械学習フレームワークの開発と評価を行った。
論文 参考訳(メタデータ) (2026-07-08T18:14:24Z) - Static and auto-regressive neural emulation of phytoplankton biomass dynamics from physical predictors in the global ocean [8.888913353055276]
フィトクトンは海洋食物網の基礎であり、生態学的プロセスと地球規模の生物地球化学的サイクルの両方を駆動している。
その生態学的および気候学的重要性にもかかわらず、植物プランクトン力学は数値的な生物地球化学モデルにとって依然として課題である。
論文 参考訳(メタデータ) (2026-02-04T15:55:34Z) - AgriPINN: A Process-Informed Neural Network for Interpretable and Scalable Crop Biomass Prediction Under Water Stress [4.890986949786707]
水ストレス下での作物表層バイオマス(AGB)の予測は、作物のモニタリング、灌水誘導、耐気候性農業の支援に重要である。
データ駆動モデルはよくスケールするが、しばしば解釈可能性や分散シフト時の劣化が欠落する。
本稿では, プロセスインフォームドニューラルネットワークであるAgriNPINを提案する。
論文 参考訳(メタデータ) (2026-01-22T15:20:00Z) - Synergistic Neural Forecasting of Air Pollution with Stochastic Sampling [50.3911487821783]
大気汚染は世界的な健康と環境のリスクの先駆けであり、特に山火事、都市干ばつ、塵嵐による大気汚染の急激な増加に弱い地域ではなおもである。
本稿では,気象および大気組成データを統合し,平均および極端汚染レベルの予測を改善する高分解能神経予測モデルであるSynCastを提案する。
論文 参考訳(メタデータ) (2025-10-28T01:18:00Z) - Variational Autoencoder Framework for Hyperspectral Retrievals (Hyper-VAE) of Phytoplankton Absorption and Chlorophyll a in Coastal Waters for NASA's EMIT and PACE Missions [17.569943344077892]
本研究では、ESMやPACEを含むNASAのハイパースペクトルミッションに対する機械学習に基づく新しいソリューションを提案する。
我々は、光学的に複雑な沿岸海域における高スペクトルRrsからアフィとChl-aのハイパースペクトル検索を実現するために、革新的な設計によるVAEモデルを初めて調整する。
論文 参考訳(メタデータ) (2025-04-18T05:37:14Z) - KunPeng: A Global Ocean Environmental Model [5.565814778529731]
本研究では,KunPeng大洋環境予測モデルを構築し,気象学的な大規模モデル手法を海洋領域に移行した。
陸域境界における急勾配による発散を効果的に訓練するための地形適応型マスク拘束機構を提案する。
論文 参考訳(メタデータ) (2025-04-07T06:41:05Z) - 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)
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。