論文の概要: Knowledge-Guided Machine Learning Models to Upscale Evapotranspiration in the U.S. Midwest

• arxiv url: http://arxiv.org/abs/2510.11505v1
• Date: Mon, 13 Oct 2025 15:15:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:30.423882
• Title: Knowledge-Guided Machine Learning Models to Upscale Evapotranspiration in the U.S. Midwest
• Title（参考訳）: 米国中西部におけるエバポ呼吸向上のための知識誘導型機械学習モデル
• Authors: Aleksei Rozanov, Samikshya Subedi, Vasudha Sharma, Bryan C. Runck,
• Abstract要約: エバポ蒸散(ET)は陸上と大気の相互作用において重要な役割を担っているが、その正確な定量化は依然として困難である。 本研究は,ツリーベースおよび知識誘導型機械学習(ML)技術とマルチスペクトルリモートセンシングデータ,格子状気象データ,ECデータを統合し,米国中西部のETをスケールアップする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Evapotranspiration (ET) plays a critical role in the land-atmosphere interactions, yet its accurate quantification across various spatiotemporal scales remains a challenge. In situ measurement approaches, like eddy covariance (EC) or weather station-based ET estimation, allow for measuring ET at a single location. Agricultural uses of ET require estimates for each field over broad areas, making it infeasible to deploy sensing systems at each location. This study integrates tree-based and knowledge-guided machine learning (ML) techniques with multispectral remote sensing data, griddled meteorology and EC data to upscale ET across the Midwest United States. We compare four tree-based models - Random Forest, CatBoost, XGBoost, LightGBM - and a simple feed-forward artificial neural network in combination with features engineered using knowledge-guided ML principles. Models were trained and tested on EC towers located in the Midwest of the United States using k-fold cross validation with k=5 and site-year, biome stratified train-test split to avoid data leakage. Results show that LightGBM with knowledge-guided features outperformed other methods with an R2=0.86, MSE=14.99 W m^-2 and MAE = 8.82 W m^-2 according to grouped k-fold validation (k=5). Feature importance analysis shows that knowledge-guided features were most important for predicting evapotranspiration. Using the best performing model, we provide a data product at 500 m spatial and one-day temporal resolution for gridded ET for the period of 2019-2024. Intercomparison between the new gridded product and state-level weather station-based ET estimates show best-in-class correspondence.
• Abstract（参考訳）: エバポ蒸散(ET)は陸上と大気の相互作用において重要な役割を果たすが、様々な時空間スケールで正確な定量化は依然として困難である。 渦共分散(EC)や気象観測所によるET推定のようなその場測定手法は、ETを1つの場所で測定することができる。 ETの農業利用は、広範囲にわたる各分野の見積もりを必要とするため、各場所にセンサーシステムを配備することは不可能である。 本研究は,ツリーベースおよび知識誘導型機械学習(ML)技術とマルチスペクトルリモートセンシングデータ,格子状気象データ,ECデータを統合し,米国中西部のETをスケールアップする。 我々は、ランダムフォレスト、CatBoost、XGBoost、LightGBMの4つのツリーベースモデルと、ナレッジ誘導MLの原則を用いて設計された機能を組み合わせた、シンプルなフィードフォワード人工ニューラルネットワークを比較した。 k-fold Cross Validation with k=5 and site-year, Biome Stratified Train-test split to avoid data leakage。 その結果,R2=0.86,MSE=14.99Wm^-2,MAE=8.82Wm^-2といった知識誘導機能を持つLightGBMは,k-fold検証(k=5。 特徴重要度分析は,エバポ呼吸の予測において,知識誘導的特徴が最も重要であることを示している。 最良性能モデルを用いて,2019-2024年の間,有界ETの時間分解能と時間分解能を500mに設定した。 新しいグリッド化製品と州レベルの気象観測所に基づくET推定値の相互比較は、クラス内の最良対応を示す。

関連論文リスト

• ReGUIDE: Data Efficient GUI Grounding via Spatial Reasoning and Search [53.40810298627443]
  ReGUIDEは、MLLMが自己生成的推論と空間認識的批判を通じてデータを効率的に学習することを可能にするWebグラウンドのためのフレームワークである。 実験により、ReGUIDEは複数のベンチマークでWebグラウンド性能を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2025-05-21T08:36:18Z)
• Flow Matching for Atmospheric Retrieval of Exoplanets: Where Reliability meets Adaptive Noise Levels [38.84835238599221]
  流れマッチング後推定(FMPE)は大気圏探索のための新しい機械学習手法である。 FMPEは神経後部推定(NPE)の約3倍の速度でトレーニングし、IS効率を高める。 ISは不正確なML結果の修正に成功し、低効率でモデルの失敗を特定し、ベイズ証拠の正確な見積もりを提供する。
  論文  参考訳（メタデータ） (2024-10-28T19:28:07Z)
• A novel fusion of Sentinel-1 and Sentinel-2 with climate data for crop phenology estimation using Machine Learning [0.0]
  機械学習(ML) LightGBMモデルをトレーニングし、ドイツ全土の8大作物について、20mスケールで13の表現学的段階を予測する。 全国規模では、予測表現学はR2 > 0.43の妥当な精度と平均絶対誤差を6日間に抑えた。
  論文  参考訳（メタデータ） (2024-08-16T13:44:35Z)
• Personalized Adapter for Large Meteorology Model on Devices: Towards Weather Foundation Models [36.229082478423585]
  LM-Weatherは、事前訓練された言語モデル(PLM)を使用する一般的なアプローチである PLMに軽量なパーソナライズドアダプタを導入し、気象パターンの認識に役立てる。 実験の結果、LM-Weatherは様々なタスクにおいて最先端の結果より優れていた。
  論文  参考訳（メタデータ） (2024-05-24T15:25:09Z)
• Creating and Leveraging a Synthetic Dataset of Cloud Optical Thickness Measures for Cloud Detection in MSI [3.4764766275808583]
  雲の形成は、しばしば地球の地表を観測する光学衛星による不明瞭な観測である。 雲の光学的厚さ推定のための新しい合成データセットを提案する。 信頼性と汎用性を備えたクラウドマスクを実データで取得するために活用する。
  論文  参考訳（メタデータ） (2023-11-23T14:28:28Z)
• Uncertainty estimation of machine learning spatial precipitation predictions from satellite data [3.8623569699070353]
  衛星データとゲージデータを機械学習と組み合わせることで、高解像度の降水データセットを生成する。 6つのアルゴリズムをベンチマークすることで、そのような推定を最適に行う方法のギャップに対処する。 本研究では,空間データ予測の不確かさを推定する機械学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-11-13T17:55:28Z)
• FLOGA: A machine learning ready dataset, a benchmark and a novel deep learning model for burnt area mapping with Sentinel-2 [41.28284355136163]
  森林火災は人間や動物の生活、生態系、社会経済の安定に重大な脅威をもたらす。 本研究では、FLOGA(Forest wiLdfire Observations for the Greek Area)と名付けた機械学習可能なデータセットを作成し、導入する。 このデータセットは、山火事の前後に取得された衛星画像からなるため、ユニークなものである。 我々はFLOGAを用いて、複数の機械学習アルゴリズムとディープラーニングアルゴリズムの徹底的な比較を行い、バーント領域の自動抽出を行う。
  論文  参考訳（メタデータ） (2023-11-06T18:42:05Z)
• SSL-SoilNet: A Hybrid Transformer-based Framework with Self-Supervised Learning for Large-scale Soil Organic Carbon Prediction [2.554658234030785]
  本研究は,自己指導型コントラスト学習を通じて,マルチモーダル特徴間の地理的関連を学習することを目的とした,新しいアプローチを提案する。 提案手法は、2つの異なる大規模データセットに対して厳密なテストを行っている。
  論文  参考訳（メタデータ） (2023-08-07T13:44:44Z)
• Earthformer: Exploring Space-Time Transformers for Earth System Forecasting [27.60569643222878]
  本研究では,地球系予測のための時空間変圧器である地球変圧器を提案する。 Transformerは、Cuboid Attentionという、汎用的で柔軟で効率的な時空アテンションブロックに基づいている。 降水量計に関する2つの実世界のベンチマークとエルニーノ/サウス・テンポシエーションの実験は、アースフォーマーが最先端のパフォーマンスを達成したことを示している。
  論文  参考訳（メタデータ） (2022-07-12T20:52:26Z)
• Embedding Earth: Self-supervised contrastive pre-training for dense land cover classification [61.44538721707377]
  本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。 提案手法による事前学習では, 25%の絶対mIoUが得られた。 学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
  論文  参考訳（メタデータ） (2022-03-11T16:14:14Z)

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。