Biogeochemistry-Informed Neural Network (BINN) for Improving Accuracy of Model Prediction and Scientific Understanding of Soil Organic Carbon

要約

ビッグデータと人工知能（AI）の急速な発展は、世界的な炭素循環やその他の生物地球化学プロセスの理解を高めるための前例のない機会を提供します。
ただし、ビッグデータから機械的知識を取得することは依然として課題です。
ここでは、ベクトル化されたプロセスベースの土壌炭素循環モデル（すなわち、コミュニティランドモデルバージョン5、CLM5）をシームレスに統合する生物地球化学情報に基づいたニューラルネットワーク（BINN）を開発して、神経ネットワーク（NN）構造になり、土壌を支配するメカニズムを調べるメカニズムを調べます。
ビッグデータからのカーボン（SOC）ストレージ。
BINNは、パラメーター回復実験で合成データから生物地球化学的パラメーター値を取得する際の高い精度を示しています。
BINNを使用して、Conterminous US全体の25,925のSOCプロファイルから土壌炭素循環（またはプロセスベースのモデルのコンポーネント）を調節する6つの主要なプロセスを予測し、それらをベイジアン推論ベースのプロセス誘導ディープによって以前に取得した同じプロセスと比較しました。
学習およびデータ駆動型モデリング（PRODA）アプローチ（Tao etal。2020; 2023）。
0.81の平均相関係数を持つ2つのアプローチを使用して、取得プロセスの空間パターン間の高い一致は、ビッグデータから機械的知識を取得するBINNの能力を確認します。
さらに、BINNにおけるニューラルネットワークとプロセスベースのモデルの統合により、計算効率はプロダを50倍以上改善します。
Binnは、AIとプロセスベースのモデリングの両方の力を活用する変換ツールであり、地球システムモデルの解釈可能性と精度を改善しながら、新しい科学的発見を促進します。

要約(オリジナル)

Big data and the rapid development of artificial intelligence (AI) provide unprecedented opportunities to enhance our understanding of the global carbon cycle and other biogeochemical processes. However, retrieving mechanistic knowledge from big data remains a challenge. Here, we develop a Biogeochemistry-Informed Neural Network (BINN) that seamlessly integrates a vectorized process-based soil carbon cycle model (i.e., Community Land Model version 5, CLM5) into a neural network (NN) structure to examine mechanisms governing soil organic carbon (SOC) storage from big data. BINN demonstrates high accuracy in retrieving biogeochemical parameter values from synthetic data in a parameter recovery experiment. We use BINN to predict six major processes regulating the soil carbon cycle (or components in process-based models) from 25,925 observed SOC profiles across the conterminous US and compared them with the same processes previously retrieved by a Bayesian inference-based PROcess-guided deep learning and DAta-driven modeling (PRODA) approach (Tao et al. 2020; 2023). The high agreement between the spatial patterns of the retrieved processes using the two approaches with an average correlation coefficient of 0.81 confirms BINN’s ability in retrieving mechanistic knowledge from big data. Additionally, the integration of neural networks and process-based models in BINN improves computational efficiency by more than 50 times over PRODA. We conclude that BINN is a transformative tool that harnesses the power of both AI and process-based modeling, facilitating new scientific discoveries while improving interpretability and accuracy of Earth system models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google