論文の概要: Variational Autoencoders-based Detection of Extremes in Plant Productivity in an Earth System Model

• arxiv url: http://arxiv.org/abs/2510.03266v1
• Date: Fri, 26 Sep 2025 22:03:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-12 15:03:05.822246
• Title: Variational Autoencoders-based Detection of Extremes in Plant Productivity in an Earth System Model
• Title（参考訳）: 変分オートエンコーダを用いた地球系モデルにおける植物生産性の極端検出
• Authors: Bharat Sharma, Jitendra Kumar,
• Abstract要約: 本研究は, 総生産生産性の極端事象を同定するために, 変分オートエンコーダ(VAE)の新たな応用法を提案する。 VAEを用いた異常検出法と従来の特異スペクトル分析法(SSA)法(1850-80,1950-80,2050-80)を比較した。 その結果, 極端事象周波数の空間パターンにおいて, VAE法とSSA法との間に強い地域的一致が認められた。
• 参考スコア（独自算出の注目度）: 1.398811024775594
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Climate anomalies significantly impact terrestrial carbon cycle dynamics, necessitating robust methods for detecting and analyzing anomalous behavior in plant productivity. This study presents a novel application of variational autoencoders (VAE) for identifying extreme events in gross primary productivity (GPP) from Community Earth System Model version 2 simulations across four AR6 regions in the Continental United States. We compare VAE-based anomaly detection with traditional singular spectral analysis (SSA) methods across three time periods: 1850-80, 1950-80, and 2050-80 under the SSP585 scenario. The VAE architecture employs three dense layers and a latent space with an input sequence length of 12 months, trained on a normalized GPP time series to reconstruct the GPP and identifying anomalies based on reconstruction errors. Extreme events are defined using 5th percentile thresholds applied to both VAE and SSA anomalies. Results demonstrate strong regional agreement between VAE and SSA methods in spatial patterns of extreme event frequencies, despite VAE producing higher threshold values (179-756 GgC for VAE vs. 100-784 GgC for SSA across regions and periods). Both methods reveal increasing magnitudes and frequencies of negative carbon cycle extremes toward 2050-80, particularly in Western and Central North America. The VAE approach shows comparable performance to established SSA techniques, while offering computational advantages and enhanced capability for capturing non-linear temporal dependencies in carbon cycle variability. Unlike SSA, the VAE method does not require one to define the periodicity of the signals in the data; it discovers them from the data.
• Abstract（参考訳）: 気候異常は、植物生産性の異常な振る舞いを検出し、分析するための堅牢な方法を必要とする、地球上の炭素循環のダイナミクスに大きな影響を及ぼす。 本研究は,米国大陸の4つのAR6領域にまたがるGPP(Community Earth System Version 2)シミュレーションから,高度一次生産性(GPP)の極端な事象を特定するための変分オートエンコーダ(VAE)の新たな応用法を提案する。 SSP585のシナリオでは,VAEによる異常検出と従来の特異スペクトル分析(SSA)法を1850-80,1950-80,2050-80の3つの期間にわたって比較した。 VAEアーキテクチャは3つの高密度層と12ヶ月の入力シーケンスを持つ潜伏空間を採用し、正規化されたGPP時系列に基づいてトレーニングし、GPPを再構成し、再構成エラーに基づいて異常を識別する。 極端事象は、VAEとSSAの異常に適用される5番目のパーセンタイルしきい値を用いて定義される。 その結果, 極端事象周波数の空間パターンにおいて, VAE法とSSA法との間に強い地域的一致が認められた。 どちらの手法も、特に西北アメリカと中央北アメリカでは、マイナス炭素サイクルの極端値が2050-80に増大していることを示している。 VAEアプローチは、既存のSSA技術に匹敵する性能を示し、計算上の利点と炭素サイクルの可変性における非線形時間依存性をキャプチャする能力の強化を提供する。 SSAとは異なり、VAE法はデータの信号の周期性を定義する必要はない。

関連論文リスト

• Foundation for unbiased cross-validation of spatio-temporal models for species distribution modeling [2.6862667248315386]
  種別分布モデル (SDM) はしばしば空間自己相関 (SAC) に悩まされ、性能推定に偏りが生じる。 提案手法は, ランダム分割, 空間的ブロッキング, 環境的スキーム, 新たな時間的手法である。
  論文  参考訳（メタデータ） (2025-01-27T23:02:05Z)
• Improved Anomaly Detection through Conditional Latent Space VAE Ensembles [49.1574468325115]
  条件付きラテント空間変分オートエンコーダ(CL-VAE)は、既知の不整形クラスと未知の不整形クラスを持つデータに対する異常検出のための前処理を改善した。 モデルでは異常検出の精度が向上し、MNISTデータセットで97.4%のAUCが達成された。 さらに、CL-VAEは、アンサンブルの利点、より解釈可能な潜在空間、モデルサイズに制限のある複雑なデータでパターンを学習する能力の増大を示す。
  論文  参考訳（メタデータ） (2024-10-16T07:48:53Z)
• Spatial-Temporal Bearing Fault Detection Using Graph Attention Networks and LSTM [0.7864304771129751]
  本稿では,グラフ注意ネットワーク(GAT)とLong Short-Term Memory(LSTM)ネットワークを組み合わせた新しい手法を提案する。 このアプローチは、センサデータ内の空間的および時間的依存関係を捕捉し、軸受故障検出の精度を向上させる。
  論文  参考訳（メタデータ） (2024-10-15T12:55:57Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Broadband Ground Motion Synthesis via Generative Adversarial Neural Operators: Development and Validation [12.275587079383603]
  まず,条件付きグラウンドモーション合成アルゴリズム(cGM-GANO)について述べる。 次に,南カリフォルニア地震センター・ブロードバンド・プラットフォーム(BBP)と記録されたKK-netデータによる地動シミュレーションについて,cGM-GANOを訓練する。 以上の結果から,cGM-GANOは対応するテクトニクス環境のトレーニングデータと一貫した中央値のスケーリングが可能であることが示唆された。
  論文  参考訳（メタデータ） (2023-09-07T02:08:30Z)
• Imbalanced Aircraft Data Anomaly Detection [103.01418862972564]
  航空シナリオ下でのセンサーからの時間データの異常検出は実用的だが難しい課題である。 本稿では,グラフィカル・テンポラル・データ分析フレームワークを提案する。 シリーズ・トゥ・イメージ (S2I) と呼ばれる3つのモジュール、ユークリッド距離 (CRD) を用いたクラスタ・ベース・リサンプリング・アプローチ、変数・ベース・ロス (VBL) から構成される。
  論文  参考訳（メタデータ） (2023-05-17T09:37:07Z)
• Long-term stable Electromyography classification using Canonical Correlation Analysis [5.949779668853555]
  表面筋電図(sEMG)信号に基づく手のジェスチャーの識別は、補綴器を制御するための確立されたアプローチである。 最も重要な課題の1つは、復号システムを再訓練することなく、数日にわたって高いEMGデータ分類性能を維持することである。 本稿では, 補綴装置の長期制御のために, 複数日にわたってEMG分類性能を安定させる新しい統計手法を提案する。
  論文  参考訳（メタデータ） (2023-01-23T21:45:00Z)
• Are we certain it's anomalous? [57.729669157989235]
  時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。 本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。 HypADは自己指導で入力信号を再構築する。
  論文  参考訳（メタデータ） (2022-11-16T21:31:39Z)
• LSTM-Autoencoder based Anomaly Detection for Indoor Air Quality Time Series Data [6.642599588462097]
  室内空気質(IAQ)データの異常検出は、空気の質が人間の健康と健康と密接に関連しているため、研究の重要領域となっている。 IAQ領域における異常検出における従来の統計と機械学習に基づくアプローチは、複数のデータポイントにわたる相関の観測を含む異常を検出できなかった。 本稿では,LSTMとオートエンコーダを組み合わせたハイブリッドディープラーニングモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-14T01:57:46Z)

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。