論文の概要: Geospatial Diffusion for Land Cover Imperviousness Change Forecasting

• arxiv url: http://arxiv.org/abs/2508.10649v1
• Date: Thu, 14 Aug 2025 13:45:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-15 22:24:48.339383
• Title: Geospatial Diffusion for Land Cover Imperviousness Change Forecasting
• Title（参考訳）: 土地被覆不確実性変化予測のための地空間拡散
• Authors: Debvrat Varshney, Vibhas Vats, Bhartendu Pandey, Christa Brelsford, Philipe Dias,
• Abstract要約: 本稿では,歴史的・補助的なデータソースに規定されたデータ問題としてLULC予測をフレーミングすることにより,土地被覆変化予測のためのジェネレーティブAI(GenAI)を利用した新しいパラダイムを提案する。 本研究では,不確実性予測のための拡散モデルをトレーニングし,その性能を全く変化しないベースラインと比較する。 トレーニング期間中に12大都市圏で1年間にわたり評価した結果,平均分解能が$geq 0.7times0.7km2$の場合,これらのベースラインよりもMAEが低いことが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Land cover, both present and future, has a significant effect on several important Earth system processes. For example, impervious surfaces heat up and speed up surface water runoff and reduce groundwater infiltration, with concomitant effects on regional hydrology and flood risk. While regional Earth System models have increasing skill at forecasting hydrologic and atmospheric processes at high resolution in future climate scenarios, our ability to forecast land-use and land-cover change (LULC), a critical input to risk and consequences assessment for these scenarios, has lagged behind. In this paper, we propose a new paradigm exploiting Generative AI (GenAI) for land cover change forecasting by framing LULC forecasting as a data synthesis problem conditioned on historical and auxiliary data-sources. We discuss desirable properties of generative models that fundament our research premise, and demonstrate the feasibility of our methodology through experiments on imperviousness forecasting using historical data covering the entire conterminous United States. Specifically, we train a diffusion model for decadal forecasting of imperviousness and compare its performance to a baseline that assumes no change at all. Evaluation across 12 metropolitan areas for a year held-out during training indicate that for average resolutions $\geq 0.7\times0.7km^2$ our model yields MAE lower than such a baseline. This finding corroborates that such a generative model can capture spatiotemporal patterns from historical data that are significant for projecting future change. Finally, we discuss future research to incorporate auxiliary information on physical properties about the Earth, as well as supporting simulation of different scenarios by means of driver variables.
• Abstract（参考訳）: 土地被覆は、現在と未来の両方において、いくつかの重要な地球系の過程に重大な影響を与えている。 例えば、不活性な表面は、地表の水流出を加熱し、速度を上げ、地下水の浸透を減少させ、地域水文学と洪水リスクに共寄与する。 地域地球系モデルでは、将来の気候シナリオにおける水文・大気プロセスの予測能力が向上しているが、これらのシナリオに対するリスク・結果評価の重要な入力である土地利用・土地被覆変化(LULC)を予測する能力は遅れている。 本稿では,歴史的・補助的なデータソースを前提としたデータ合成問題として,LULC予測のフレーミングによる土地被覆変化予測のためのジェネレーティブAI(GenAI)を利用した新しいパラダイムを提案する。 本稿は,我々の研究前提を裏付ける生成モデルの望ましい特性について論じるとともに,アメリカ全土をカバーした歴史的データを用いた不確実性予測実験を通じて,本手法の有効性を実証する。 具体的には,不確実性予測のための拡散モデルをトレーニングし,その性能を全く変化しないベースラインと比較する。 平均分解能$\geq 0.7\times 0.7km^2$ では,これらの基準値よりもMAEが低い値を示した。 この発見は、このような生成モデルが、将来の変化を予測するための重要な歴史的データから時空間パターンをキャプチャできることを裏付けるものである。 最後に,地球に関する物理特性の補助的情報と,ドライバ変数による様々なシナリオのシミュレーションを支援するための今後の研究について論じる。

関連論文リスト

• Retrieval-Augmented Water Level Forecasting for Everglades [1.2163458046014013]
  本稿では,予測前のモデル入力を豊かにするために,Retrieval-Augmented Forecasting (RAF) を水文学領域に導入する。 RAFは、歴史的データから関連するパターンを特定し、組み込んで、文脈認識と予測精度を高める。 本研究では,エバーグレーズにおける実世界のデータに関する総合的な評価を行い,RAFフレームワークが水位予測精度を大幅に向上させることを示した。
  論文  参考訳（メタデータ） (2025-08-06T21:27:12Z)
• Multidimensional precipitation index prediction based on CNN-LSTM hybrid framework [5.484147776963721]
  本研究では,CNN-LSTMハイブリッドフレームワークに基づく多次元降水指数予測モデルを提案する。 このデータセットはインドのマハーラーシュトラ州プーンで1972年から2002年までの月間平均降水量のデータをカバーしている。 実験の結果,6.752の根平均二乗誤差(RMSE)が得られた。
  論文  参考訳（メタデータ） (2025-04-29T05:32:43Z)
• 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)
• Beyond Tides and Time: Machine Learning Triumph in Water Quality [0.0]
  この研究は、データサイエンスの専門家とドメイン固有の知識を持たない人々の両方にとって、堅牢な予測パイプラインを確立することを目的としている。 我々の研究は、データサイエンスの専門家とドメイン固有の知識を持たない人々の両方にとって、堅牢な予測パイプラインを確立することを目的としています。
  論文  参考訳（メタデータ） (2023-09-29T03:33:53Z)
• 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)
• 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)

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。