論文の概要: DroughtSet: Understanding Drought Through Spatial-Temporal Learning
- arxiv url: http://arxiv.org/abs/2412.15075v1
- Date: Thu, 19 Dec 2024 17:24:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-20 13:30:24.227437
- Title: DroughtSet: Understanding Drought Through Spatial-Temporal Learning
- Title（参考訳）: DroughtSet: 時空間学習による干ばつ理解
- Authors: Xuwei Tan, Qian Zhao, Yanlan Liu, Xueru Zhang,
- Abstract要約: 干ばつは最も破壊的で高価な自然災害の1つである。
我々は,関連する予測機能と3つの干ばつ指標を統合した新しいデータセットDroughtSetを提案する。
本モデルは物理・生物学的特徴の空間的・時間的情報から学習し,3種類の干ばつを同時に予測する。
- 参考スコア（独自算出の注目度）: 10.430055605915895
- License:
- Abstract: Drought is one of the most destructive and expensive natural disasters, severely impacting natural resources and risks by depleting water resources and diminishing agricultural yields. Under climate change, accurately predicting drought is critical for mitigating drought-induced risks. However, the intricate interplay among the physical and biological drivers that regulate droughts limits the predictability and understanding of drought, particularly at a subseasonal to seasonal (S2S) time scale. While deep learning has been demonstrated with potential in addressing climate forecasting challenges, its application to drought prediction has received relatively less attention. In this work, we propose a new dataset, DroughtSet, which integrates relevant predictive features and three drought indices from multiple remote sensing and reanalysis datasets across the contiguous United States (CONUS). DroughtSet specifically provides the machine learning community with a new real-world dataset to benchmark drought prediction models and more generally, time-series forecasting methods. Furthermore, we propose a spatial-temporal model SPDrought to predict and interpret S2S droughts. Our model learns from the spatial and temporal information of physical and biological features to predict three types of droughts simultaneously. Multiple strategies are employed to quantify the importance of physical and biological features for drought prediction. Our results provide insights for researchers to better understand the predictability and sensitivity of drought to biological and physical conditions. We aim to contribute to the climate field by proposing a new tool to predict and understand the occurrence of droughts and provide the AI community with a new benchmark to study deep learning applications in climate science.
- Abstract（参考訳）: 干ばつは最も破壊的で高価な自然災害の1つであり、水資源の枯渇と農業生産の減少によって天然資源とリスクに深刻な影響を与えている。
気候変動下では、干ばつによるリスクを軽減するために、正確に干ばつを予測することが重要である。
しかしながら、干ばつを規制する物理的および生物学的ドライバ間の複雑な相互作用は、特に季節的な(S2S)時間スケールでの干ばつの予測可能性と理解を制限している。
深層学習は気候予測の課題に対処する可能性を示してきたが、干ばつ予測への応用は比較的少なくなった。
本研究では,米国全土の複数のリモートセンシングおよび再分析データセットから,関連する予測機能と3つの干ばつ指標を統合した新しいデータセットであるDroughtSetを提案する。
DroughtSetは、特に機械学習コミュニティに、干ばつ予測モデルおよびより一般的に時系列予測方法のベンチマークを行うための、新しい実世界のデータセットを提供する。
さらに,S2S干ばつを予測・解釈するための時空間モデルSPDroughtを提案する。
本モデルは物理・生物学的特徴の空間的・時間的情報から学習し,3種類の干ばつを同時に予測する。
干ばつ予測のための物理的および生物学的特徴の重要性を定量化するために、複数の戦略が採用されている。
以上の結果から,干ばつによる生物・物理的条件の予測可能性や感受性をよりよく理解する上での知見が得られた。
我々は、干ばつの発生を予測し、理解するための新しいツールを提案し、気候科学におけるディープラーニング応用を研究するための新しいベンチマークをAIコミュニティに提供することで、気候分野に貢献することを目指している。
関連論文リスト
- Analysis of Droughts and Their Intensities in California from 2000 to 2020 [1.0839935418172268]
干ばつは世界中で持続的な脅威とみなされており、その出現に寄与する様々な要因の複雑なメカニズムが理解しづらい。
干ばつとその深刻度傾向は、干ばつによる経済的な影響がかなり大きいため、米国でも懸念されている。
カリフォルニア州はアメリカ合衆国にとって最大の農業貢献者であり、そのシェアは約12%である。
論文 参考訳（メタデータ） (2024-11-06T22:57:03Z) - SEN12-WATER: A New Dataset for Hydrological Applications and its Benchmarking [40.996860106131244]
気候と干ばつの増加は、世界中の水資源管理に重大な課題をもたらしている。
本稿では,干ばつ関連分析のためのエンドツーエンドディープラーニングフレームワークを用いたベンチマークとともに,新しいデータセットであるSEN12-WATERを提案する。
論文 参考訳（メタデータ） (2024-09-25T16:50:59Z) - Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。
次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。
気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
論文 参考訳（メタデータ） (2024-08-08T06:47:21Z) - Evaluation of deep learning models for Australian climate extremes: prediction of streamflow and floods [0.17999333451993949]
近年、洪水のような気候の極端は、オーストラリアにとって重要な環境と経済の危険を生み出している。
ディープラーニングの手法は、短時間の地平線上で、小規模から中規模の極端な事象を予測することを約束している。
大規模な急激な洪水に対処するアンサンブルベースの機械学習アプローチを提案する。
論文 参考訳（メタデータ） (2024-07-20T23:45:04Z) - 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 [75.38539438000072]
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。
私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。
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-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) - On the Generalization of Agricultural Drought Classification from
Climate Data [0.1908788674366693]
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。
論文 参考訳（メタデータ） (2021-11-30T14:49:46Z) - From Static to Dynamic Prediction: Wildfire Risk Assessment Based on
Multiple Environmental Factors [69.9674326582747]
ワイルドファイアはアメリカ合衆国西海岸で頻繁に起こる最大の災害の1つである。
カリフォルニアの山火事リスクが高い地域を解析・評価するための静的・動的予測モデルを提案します。
論文 参考訳（メタデータ） (2021-03-14T17:56:17Z) - A Data Scientist's Guide to Streamflow Prediction [55.22219308265945]
我々は,水文降雨要素と流出モデルに着目し,洪水の予測と流れの予測に応用する。
このガイドは、データサイエンティストが問題や水文学的な概念、そしてその過程で現れる詳細を理解するのを助けることを目的としています。
論文 参考訳（メタデータ） (2020-06-05T08:04:37Z) - 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。