この記事では、地質炭素貯留（GCS）におけるデータ同化を機械学習手法で強化するための枠組みが探求されています。特に、スコアベースの拡散モデルと機械学習を用いたローカリゼーションを統合し、CO₂注入時のチャネル化された貯留層内をシミュレートします。大規模なアンサンブル（N_s = 5000）と拡散モデルによる透過率を用いて、複数のデータ同化におけるエンサンブルスムーザ（ESMDA）の共分散推定を改善します。この方法は、Delft Advanced Research Terra Simulator（DARTS）を使用したCO₂注入シナリオに適用され、機械学習を用いたローカリゼーションがより多くのエンサンブル分散を維持しつつ、データの一致の質も同等に保つことがわかりました。このフレームワークは、GCSプロジェクトにおける不確実性定量化の信頼性向上に寄与する実践的な意味を持っています。