arXiv cs.AI· Sasankh Munukutla, Felipe Oviedo, Danrong Zhang, Kenji Takeda, Juan M Lavista Ferres·· 12 小时前AI 评分34
从天气到增强风化：天气基础模型如何用于运营规模的二氧化碳去除
From Weather to Enhanced Weathering: Weather Foundation Models for Carbon Dioxide Removal at Operational Scale
AI 导读
研究评估了五个天气基础模型（FM）作为冻结编码器加轻量解码器，在巴西和美国 264 块田地的 5,192 条时间序列上做留一田地验证，用于增强岩石风化（ERW）的碳去除量化。
正文 · AI 翻译
摘要：增强岩石风化（ERW）是一种碳去除方案，每年有潜力去除数十亿吨 CO$_2$，但如今量化这一去除量需要密集的土壤采样和实验室分析。我们在来自巴西和美国 264 块田地的 5,192 个时间序列上，采用留一田地协议，评估了五个天气基础模型（FM）作为冻结编码器为轻量解码器提供输入的效果。据我们所知，这是首次针对 ERW 对天气基础模型进行的整体评估，也是在真实 ERW 数据上规模最大的评估。我们发现，在各天气基础模型中，表征能够迁移到 ERW：我们最好的模型 TerraNova-ERW 基于 Aurora 1.5 构建，能够在其从未见过的田地内对测量值进行正向排序。对新田地平均去除量的零样本预测尚不可行，我们将此归因于数据规模：同一架构在约 $\sim$$10^5$ 个自然风化序列上表现优异，这锚定了我们认为 ERW 数据必须达到的规模。少样本预测，即模型与每块田地的少量样本相结合，目前是可行的：TerraNova-ERW 在每块田地仅用两个样本的情况下，能识别出超过 60% 的高去除量田地，将估计一块田地平均去除量所需的样本数大约减半，并能在我们最密集的田地上将采样量减少 28-98%。
| 评论： | 已被第 40 届神经信息处理系统大会（NeurIPS 2026）接收，澳大利亚悉尼。研讨会：用机器学习应对气候变化 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.28973 [cs.LG] |
| （或 arXiv:2610.28973v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.28973 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Sasankh Munukutla [查看电子邮件]
[v1]
2026 年 10 月 20 日星期二 22:47:12 UTC（238 KB）
来源：arXiv cs.AI · arxiv.org