論文の概要: Learning to forecast vegetation greenness at fine resolution over Africa
with ConvLSTMs
- arxiv url: http://arxiv.org/abs/2210.13648v1
- Date: Mon, 24 Oct 2022 23:03:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-26 13:56:10.636831
- Title: Learning to forecast vegetation greenness at fine resolution over Africa
with ConvLSTMs
- Title(参考訳): ConvLSTMによるアフリカにおける植生緑度予測の学習
- Authors: Claire Robin, Christian Requena-Mesa, Vitus Benson, Lazaro Alonso,
Jeran Poehls, Nuno Carvalhais and Markus Reichstein
- Abstract要約: 我々は、このタスクに対処するために、畳み込みLSTM(ConvLSTM)アーキテクチャを使用します。
我々は,アフリカにおける植生の変化をSentinel-2衛星NDVIを用いて予測し,ERA5気象分析,SMAP衛星測定,地形解析を行った。
以上の結果から,ConvLSTMモデルがNDVIの季節変動を高分解能で予測できるだけでなく,観測基準値に対する気象異常の影響も明らかとなった。
- 参考スコア(独自算出の注目度): 2.7708222692419735
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Forecasting the state of vegetation in response to climate and weather events
is a major challenge. Its implementation will prove crucial in predicting crop
yield, forest damage, or more generally the impact on ecosystems services
relevant for socio-economic functioning, which if absent can lead to
humanitarian disasters. Vegetation status depends on weather and environmental
conditions that modulate complex ecological processes taking place at several
timescales. Interactions between vegetation and different environmental drivers
express responses at instantaneous but also time-lagged effects, often showing
an emerging spatial context at landscape and regional scales. We formulate the
land surface forecasting task as a strongly guided video prediction task where
the objective is to forecast the vegetation developing at very fine resolution
using topography and weather variables to guide the prediction. We use a
Convolutional LSTM (ConvLSTM) architecture to address this task and predict
changes in the vegetation state in Africa using Sentinel-2 satellite NDVI,
having ERA5 weather reanalysis, SMAP satellite measurements, and topography
(DEM of SRTMv4.1) as variables to guide the prediction. Ours results highlight
how ConvLSTM models can not only forecast the seasonal evolution of NDVI at
high resolution, but also the differential impacts of weather anomalies over
the baselines. The model is able to predict different vegetation types, even
those with very high NDVI variability during target length, which is promising
to support anticipatory actions in the context of drought-related disasters.
- Abstract(参考訳): 気候や気象イベントに応じて植生の状態を予測することは大きな課題である。
その実施は、作物の収量、森林被害、あるいはより一般的には、不在が人道的災害に繋がる社会経済的機能に関連する生態系サービスへの影響を予測する上で極めて重要であることが証明される。
植生状態は、いくつかの時間スケールで起こる複雑な生態過程を調節する天候や環境条件に依存する。
植生と異なる環境ドライバの相互作用は瞬時に応答を表現し、また時間的に遅延した効果を示し、しばしば景観や地域規模での新たな空間的文脈を示す。
地表面予測タスクを,地形と気象変数を用いて非常に微細な解像度で植生発達を予測し,予測を導くことを目的とした,強誘導ビデオ予測タスクとして定式化する。
我々は,この課題に対処するためにコンボリューショナルLSTM(ConvLSTM)アーキテクチャを使用し,ERA5気象分析,SMAP衛星計測,地形(DEM of SRTMv4.1)を変数としたセンチネル2衛星NDVIを用いてアフリカの植生変化を予測した。
以上の結果から,ConvLSTMモデルがNDVIの季節変動を高分解能で予測できるだけでなく,観測基準値に対する気象異常の影響も明らかとなった。
このモデルは、干ばつ関連災害の文脈で予測行動を支援することを約束している、ターゲット長の非常に高いNDVI変動量でさえ、異なる植生タイプを予測できる。
関連論文リスト
- FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather
Forecasting [56.73502043159699]
この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。
低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。
2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
論文 参考訳(メタデータ) (2024-01-28T13:23:25Z) - Comparing Data-Driven and Mechanistic Models for Predicting Phenology in
Deciduous Broadleaf Forests [47.285748922842444]
我々は、気象時系列から表現指標を予測するために、ディープニューラルネットワークを訓練する。
このアプローチは従来のプロセスベースのモデルよりも優れています。
論文 参考訳(メタデータ) (2024-01-08T15:29:23Z) - 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) - Multi-modal learning for geospatial vegetation forecasting [1.8180482634934092]
我々は,高分解能植生予測に特化して設計された最初のデータセットであるGreenEarthNetを紹介する。
また、Sentinel 2衛星画像から植生の緑度を予測するための新しい深層学習手法であるContextformerを提案する。
我々の知る限り、この研究は、季節的サイクルを超えた異常を捉えることができる微細な解像度で大陸規模の植生モデリングのための最初のモデルを示す。
論文 参考訳(メタデータ) (2023-03-28T17:59:05Z) - 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) - A Multi-Scale Deep Learning Framework for Projecting Weather Extremes [3.3598755777055374]
気象の極端は社会と経済の大きな危険であり、数千人の命と毎年数十億ドルの損害を被っている。
現在、気候予測の主要なツールである一般循環モデル(GCM)は、気象極端を正確に特徴づけることができない。
本稿では,GCMの偏差を粗いスケールで観測することで,その出力の低次統計値とテール統計値とを一致させて補正する多分解能深層学習フレームワークを提案する。
提案手法を用いて、観測的大気再分析を用いて補正された単純なGCMを用いて、西欧の気候の統計的に現実的な現実化を生成する。
論文 参考訳(メタデータ) (2022-10-21T17:47:05Z) - Forecasting large-scale circulation regimes using deformable
convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討
今後1~15日にわたって北大西洋-欧州の気象条件を予測した。
より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5~6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
論文 参考訳(メタデータ) (2022-02-10T11:37:00Z) - Using Long Short-Term Memory (LSTM) and Internet of Things (IoT) for
localized surface temperature forecasting in an urban environment [29.94873599943544]
本研究では,Long Short-Term Memory(LSTM)深層学習ネットワークを基盤として,空間分解能の高い日頭時間温度予測を行うフレームワークを提案する。
米国ニューヨーク市における歴史的その場観測とIoT(Internet of Things)観測を用いたケーススタディを示す。
論文 参考訳(メタデータ) (2021-02-04T21:21:21Z) - EarthNet2021: A novel large-scale dataset and challenge for forecasting
localized climate impacts [12.795776149170978]
大規模な地球観測データセットにより、粗い気象情報を高解像度の地球表面予測に変換できる機械学習モデルが作成できるようになった。
メソスケール気象予測に基づく衛星画像の映像予測として高分解能地球表面予測を定義します。
EarthNet 2021は、高分解能地形とメソスケール(1.28 km)の気象変数と一致する、20 mの解像度でターゲット時空間のセンチネル2衛星画像を含む新しいデータセットである。
論文 参考訳(メタデータ) (2020-12-11T11:21:00Z) - Crop Yield Prediction Integrating Genotype and Weather Variables Using
Deep Learning [8.786816847837976]
我々は,北米のUniform Soybean Tests (UST) から13年間のデータにまたがる過去のパフォーマンス記録を用いて,複数環境でジェノタイプ応答を検出・予測するために,Long Short Term Memory - Recurrent Neural Network based modelを構築した。
我々は、このディープラーニングフレームワークを「仮説生成ツール」としてデプロイし、GxExM関係を解き放つ。
異なる気候条件下でのダイズおよび他の作物に対するこのアプローチの適用性(感度分析および「What-if」シナリオ)について検討した。
論文 参考訳(メタデータ) (2020-06-24T16:20:12Z) - A generative adversarial network approach to (ensemble) weather
prediction [91.3755431537592]
本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。
提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
論文 参考訳(メタデータ) (2020-06-13T20:53:17Z)
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。