Gated recurrent unit model for forecasting greenhouse gas concentrations with uncertainty quantification

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:Demonstrates a proof-of-concept for using GRU with uncertainty quantification for livestock GHG forecasting, with potential for improvement via multi-site validation.

🏢実務担当者:Could be used by dairy farms or agricultural firms to monitor and report hourly GHG emissions, but requires adaptation to local conditions.

🏛政策担当者:Supports the development of precise emission baselines for livestock sectors, informing national GHG inventories and climate mitigation policies.

乳牛からの温室効果ガス濃度の農場レベルでの信頼性が高く正確な予測は、気候変動緩和戦略の策定や畜産システムにおける政策計画にとって重要である。本研究は、リモートセンシングや地上センサーを含む複数の情報源からのデータを統合した不確実性を考慮した深層学習モデルを提案し、管理されたゼロ放牧乳牛システムにおける亜酸化窒素、メタン、二酸化炭素の時間別濃度を予測した。予測は、24時間のルックバックウィンドウを用いた因果的多変量時系列を定式化し、直接的な1ステップ先予測により実施した。モデル開発中には、2段階のモデル評価プロトコル、ローリング交差検証によるモデルハイパーパラメータ調整、およびホールドアウトテスト評価を実施した。モデルは、決定係数、二乗平均平方根誤差、平均二乗誤差を用いて評価した。モデルの信頼性を評価するため、本研究ではデュアル出力ゲート付き回帰型ユニットを用いて条件付き平均と不等分散を推定し、モンテカルロドロップアウトとガウス負対数尤度を用いて認識的不確実性と偶然的不確実性を定量化した。結果は、時間的折り畳みにわたる安定した一般化と強い確率的較正を示し、ホールドアウトテストセットにおける経験的95%カバレッジは93.6%から94.8%の範囲であった。特徴選択は、降雨量、正規化差植生指数、湿度、温度、トレンド、および季節が濃度予測に影響を与えることを示している。本研究は、外生変数の組み込みがモデル性能を向上させることを示している。提案されたフレームワークは、管理されたゼロ放牧システムに対する概念実証を示しており、多地点検証後のより広範な応用の可能性を有する。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

Reliable and accurate farm-level forecasting of greenhouse gas concentrations from dairy cattle is important to the formulation of climate change mitigation strategies and policy planning in livestock systems. This study proposed an uncertainty-aware deep learning model that integrated data from multiple sources, including remote sensing and ground-based sensors, to forecast hourly concentrations of nitrous oxide, methane, and carbon dioxide in a controlled zero-grazing dairy system. The forecasting was implemented by formulating a causal multivariate time series using a 24-h lookback window with direct one-step-ahead prediction. A two-stage model evaluation protocol, model hyperparameter tuning via rolling cross-validation, and holdout Test Evaluation were implemented during model development. The model was evaluated using the coefficient of determination, root-mean-square error, and mean squared error. To evaluate model reliability, the study employed a dual-output gated recurrent unit to estimate the conditional mean and heteroscedastic variance, and Monte Carlo dropout and Gaussian Negative Log-Likelihood to quantify epistemic and aleatoric uncertainty. Results indicate stable generalisation across temporal folds and strong probabilistic calibration, with empirical 95% coverage ranging from 93.6 to 94.8% on the holdout test set. Feature selection indicates that rainfall, normalised difference vegetation index, humidity, temperature, trend, and season influence the prediction of concentration. The study shows that incorporating exogenous variables improves model performance. The proposed framework demonstrates proof of concept for controlled zero-grazing systems, with potential for broader application following multi-site validation.

• crossref https://doi.org/10.3389/frai.2026.1782333first seen 2026-06-23 06:08:45 · last seen 2026-07-06 05:30:42