論文の概要: Explainable Earth Surface Forecasting under Extreme Events

• arxiv url: http://arxiv.org/abs/2410.01770v2
• Date: Fri, 4 Oct 2024 15:54:24 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-04 15:24:19.011917
• Title: Explainable Earth Surface Forecasting under Extreme Events
• Title（参考訳）: 極端イベントによる説明可能な地球表面の予測
• Authors: Oscar J. Pellicer-Valero, Miguel-Ángel Fernández-Torres, Chaonan Ji, Miguel D. Mahecha, Gustau Camps-Valls,
• Abstract要約: 我々は、新しいDeepExtremeCubesデータセットに基づいて、畳み込み長短期メモリベースのアーキテクチャをトレーニングする。 DeepExtremeCubesには、全世界で約40,000のSentinel-2ミニキューブ(2016年1月から2022年10月まで)が含まれている。 このモデルはテストセットでR$2$スコア0.9055を達成した。
• 参考スコア（独自算出の注目度）: 5.655308942083527
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With climate change-related extreme events on the rise, high dimensional Earth observation data presents a unique opportunity for forecasting and understanding impacts on ecosystems. This is, however, impeded by the complexity of processing, visualizing, modeling, and explaining this data. To showcase how this challenge can be met, here we train a convolutional long short-term memory-based architecture on the novel DeepExtremeCubes dataset. DeepExtremeCubes includes around 40,000 long-term Sentinel-2 minicubes (January 2016-October 2022) worldwide, along with labeled extreme events, meteorological data, vegetation land cover, and topography map, sampled from locations affected by extreme climate events and surrounding areas. When predicting future reflectances and vegetation impacts through kernel normalized difference vegetation index, the model achieved an R$^2$ score of 0.9055 in the test set. Explainable artificial intelligence was used to analyze the model's predictions during the October 2020 Central South America compound heatwave and drought event. We chose the same area exactly one year before the event as counterfactual, finding that the average temperature and surface pressure are generally the best predictors under normal conditions. In contrast, minimum anomalies of evaporation and surface latent heat flux take the lead during the event. A change of regime is also observed in the attributions before the event, which might help assess how long the event was brewing before happening. The code to replicate all experiments and figures in this paper is publicly available at https://github.com/DeepExtremes/txyXAI
• Abstract（参考訳）: 気候変動に関連する極端な出来事が増加する中、高次元地球観測データは生態系への影響を予測し理解するためのユニークな機会となる。 しかし、これは処理、視覚化、モデリング、データの説明の複雑さによって妨げられている。 この課題にどのように対処できるかを示すために、私たちは、新しいDeepExtremeCubesデータセットに基づいて、畳み込みの長い短期メモリベースのアーキテクチャをトレーニングします。 DeepExtremeCubesには、世界中の4万件のSentinel-2ミニキューブ(2016年1月～2022年10月)と、極端な気象、気象データ、植生の土地被覆、地形図などが含まれている。 カーネル正規化差分植生指標を用いて将来の反射率と植生の影響を予測すると、実験セットのR$^2$スコアが0.9055に達した。 説明可能な人工知能は、2020年10月の中央南アメリカの複合熱波と干ばつイベントにおけるモデルの予測を分析するために使用された。 その結果, 平均気温と表面圧力は, 通常の条件下での予測値として最適であることが判明した。 対照的に、蒸発と表面潜熱フラックスの最小限の異常は、イベント中にリードを取る。 イベント前の属性にもレギュレーションの変化が見られ、イベントが発生するまでの期間を評価するのに役立つかもしれない。 この論文のすべての実験と数字を再現するコードはhttps://github.com/DeepExtremes/txyXAIで公開されている。

関連論文リスト

• MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
  気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。 以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。 本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
  論文  参考訳（メタデータ） (2024-08-20T13:45:49Z)
• DeepExtremeCubes: Integrating Earth system spatio-temporal data for impact assessment of climate extremes [5.736700805381591]
  機械学習技術は、将来性を示すが、十分に構造化され、高品質で、キュレートされた分析可能なデータセットを必要とする。 ここでは、熱波の周囲をマッピングし、干ばつによる極端な衝撃に対処するDeepExtremesデータベースを紹介します。 全世界で4万個以上の空間サンプリングされた小さなデータキューブ(すなわちミニキューブ)を含み、空間カバレッジは2.5×2.5kmである。
  論文  参考訳（メタデータ） (2024-06-26T08:53:26Z)
• Deep Learning Forecasts Caldera Collapse Events at Kilauea Volcano [0.0]
  2018年にハワイのキラウエア火山が噴火し、約60回の半周期の噴火で崩壊した。 これらの障害イベントは、ローカルに記録されたGPS、傾き、および地震活動データに基づいて、地震の再発を予測するための独自のデータセットを提供する。 深層学習グラフニューラルネットワーク(GNN)をトレーニングし、各サイクルの開始時に記録されたデータの一部を使用すれば、カルデラ崩壊イベントの時間と障害を予測する。
  論文  参考訳（メタデータ） (2024-04-30T08:28:03Z)
• Back to the Future: GNN-based NO$_2$ Forecasting via Future Covariates [49.93577170464313]
  都市全域にわたる地上監視ネットワークにおける大気質観測について検討する。 我々は過去と将来の共変分を現在の観測に埋め込む条件付きブロックを提案する。 将来の気象情報に対する条件付けは,過去の交通状況を考えるよりも影響が大きいことが判明した。
  論文  参考訳（メタデータ） (2024-04-08T09:13:16Z)
• SCTc-TE: A Comprehensive Formulation and Benchmark for Temporal Event Forecasting [63.01035584154509]
  私たちは完全に自動化されたパイプラインを開発し、約0.6百万のニュース記事からMidEast-TEという大規模なデータセットを構築しました。 このデータセットは、2015年から2022年まで、主に中東地域での協力と紛争イベントに焦点を当てている。 そこで本稿では,SCTc-TE予測にローカルコンテキストとグローバルコンテキストの両方を活用可能なLoGoを提案する。
  論文  参考訳（メタデータ） (2023-12-02T07:40:21Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• 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)
• Probabilistic forecasts of extreme heatwaves using convolutional neural networks in a regime of lack of data [6.972317847755389]
  極端熱波の予測モデルを構築する手法を開発した。 これらのモデルは、非常に長い8000年間の気候モデル出力に基づいて訓練された畳み込みニューラルネットワークに基づいている。 ディープニューラルネットワークは、フランス上空の14日間のヒートウェーブに対して、この目的に適していることを示す。
  論文  参考訳（メタデータ） (2022-08-01T16:19:38Z)
• Deep Learning based Extreme Heatwave Forecast [8.975667614727648]
  最先端のプラシム・プラネット・シミュレーターの気候モデルデータを用いて,大クラスのアンダーサンプリングと転送学習を含む畳み込みニューラルネットワークに基づく深層学習フレームワークが,極端な熱波の発生を予測する上で有意な性能を発揮することを示した。
  論文  参考訳（メタデータ） (2021-03-17T16:10:06Z)
• 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)
• 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)

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。