論文の概要: On the Generalization of Agricultural Drought Classification from
Climate Data
- arxiv url: http://arxiv.org/abs/2111.15452v1
- Date: Tue, 30 Nov 2021 14:49:46 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-01 15:52:43.497329
- Title: On the Generalization of Agricultural Drought Classification from
Climate Data
- Title(参考訳): 気候データによる農業干ばつ分類の一般化について
- Authors: Julia Gottfriedsen, Max Berrendorf, Pierre Gentine, Markus Reichstein,
Katja Weigel, Birgit Hassler, Veronika Eyring
- Abstract要約: 干ばつの発生は遅く、様々な外部要因に依存するため、気候データの干ばつ検出は困難である。
我々は,水文モデルから得られた土壌水分指数(SMI)を構築した。
SMIに基づく干ばつ分類において,異なるモデルと逐次帰納的バイアスを伴わないモデルを比較した。
- 参考スコア(独自算出の注目度): 0.1908788674366693
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Climate change is expected to increase the likelihood of drought events, with
severe implications for food security. Unlike other natural disasters, droughts
have a slow onset and depend on various external factors, making drought
detection in climate data difficult. In contrast to existing works that rely on
simple relative drought indices as ground-truth data, we build upon soil
moisture index (SMI) obtained from a hydrological model. This index is directly
related to insufficiently available water to vegetation. Given ERA5-Land
climate input data of six months with land use information from MODIS satellite
observation, we compare different models with and without sequential inductive
bias in classifying droughts based on SMI. We use PR-AUC as the evaluation
measure to account for the class imbalance and obtain promising results despite
a challenging time-based split. We further show in an ablation study that the
models retain their predictive capabilities given input data of coarser
resolutions, as frequently encountered in climate models.
- Abstract(参考訳): 気候変動は干ばつの可能性を高め、食料安全保障に深刻な影響を及ぼすと予想されている。
他の自然災害とは異なり、干ばつの発生は遅く、様々な外部要因に依存するため、気候データの干ばつ検出は困難である。
水文モデルから得られた土壌水分指数 (SMI) に基づいて, 簡易相対干ばつ指標を地中構造データとして用いた既存研究と対比した。
この指標は、植物に不足した水に直接関係している。
気象観測衛星MODISによる土地利用情報を用いた6ヶ月のERA5-Land気候入力データから、SMIに基づく干ばつ分類において、異なるモデルと逐次誘導バイアスのないモデルを比較した。
我々は,PR-AUCを評価指標として,クラス不均衡を考慮し,挑戦的な時間分割にもかかわらず有望な結果を得る。
さらに,気候モデルで頻繁に見られるような粗い解像度の入力データから,モデルが予測能力を保っていることをアブレーション研究で示している。
関連論文リスト
- DeepQC: A Deep Learning System for Automatic Quality Control of In-situ
Soil Moisture Sensor Time Series Data [1.0432302605566328]
本研究では,土壌水分データ中の異常を識別するために,二方向長短期記憶(LSTM)モデル(DeepQC)を開発した。
DeepQCは正確な観測の99.7%と異常の95.6%をかなり少ない時間で正確にフラグ付けし、フラジット法よりも優れていることを示した。
論文 参考訳(メタデータ) (2023-11-12T04:58:20Z) - Long-term drought prediction using deep neural networks based on
geospatial weather data [78.63225885697149]
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。
多様な時間的ニューラルネットワークモデルを用いたエンドツーエンドアプローチを導入することで、干ばつデータに対処する。
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) - An evaluation of deep learning models for predicting water depth
evolution in urban floods [59.31940764426359]
高空間分解能水深予測のための異なる深層学習モデルの比較を行った。
深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。
その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
論文 参考訳(メタデータ) (2023-02-20T16:08:54Z) - Multi-scale Digital Twin: Developing a fast and physics-informed
surrogate model for groundwater contamination with uncertain climate models [53.44486283038738]
気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。
U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。
並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
論文 参考訳(メタデータ) (2022-11-20T06:46:35Z) - Spatiotemporal modeling of European paleoclimate using doubly sparse
Gaussian processes [61.31361524229248]
計算負担を軽減するため,近年の大規模分散時間GPを構築した。
我々は,古気候の確率モデルを構築するために,この2倍のスパースGPをうまく利用した。
論文 参考訳(メタデータ) (2022-11-15T14:15:04Z) - An Evaluation of Machine Learning and Deep Learning Models for Drought
Prediction using Weather Data [1.1977931648859175]
干ばつは深刻な自然災害であり、長い期間と幅広い影響がある。
干ばつによる損失を減らすため、干ばつ予測は、対応する干ばつ防止と防災対策の基盤となる。
気象データを用いて機械学習モデルで干ばつを正確に予測できるかどうかは不明だ。
論文 参考訳(メタデータ) (2021-07-06T10:19:43Z) - Loosely Conditioned Emulation of Global Climate Models With Generative
Adversarial Networks [2.937141232326068]
我々は、完全に結合した地球モデルから毎日の降水量をエミュレートする2つの「緩やかな条件付き」ジェネレーターネットワーク(GAN)を訓練する。
GANは時間的なサンプルを作り出すために訓練されます:地球を区別する64x128規則的な格子上の沈殿物の32日。
当社の訓練を受けたGANは、大幅に削減された計算コストで多数の実現を迅速に生成できます。
論文 参考訳(メタデータ) (2021-04-29T02:10:08Z) - DeepClimGAN: A High-Resolution Climate Data Generator [60.59639064716545]
地球系モデル(ESM)は、気候変動シナリオの将来の予測を生成するためにしばしば用いられる。
妥協として、エミュレータはかなり安価であるが、ESMの複雑さを全て備えているわけではない。
本稿では, ESMエミュレータとして, 条件付き生成逆数ネットワーク(GAN)の使用を実証する。
論文 参考訳(メタデータ) (2020-11-23T20:13:37Z) - Dynamical Landscape and Multistability of a Climate Model [64.467612647225]
2つの気候モデルのうちの1つで第3の中間安定状態が見つかる。
我々のアプローチを組み合わせることで、海洋熱輸送とエントロピー生産の負のフィードバックが地球の気候の地形をどのように大きく変えるかを特定することができる。
論文 参考訳(メタデータ) (2020-10-20T15:31:38Z) - Prediction of short and long-term droughts using artificial neural
networks and hydro-meteorological variables [0.0]
ニューラルネットワーク(ANN)のモデルは、標準降水指数(SPI)を異なる時間スケールで使用することにより、短期および長期の干ばつを予測するために使用される。
その結果,全ての水文-気象変数の応用は,異なる時間スケールでのSPIの予測を著しく改善することがわかった。
論文 参考訳(メタデータ) (2020-06-03T23:20:34Z)
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。