論文の概要: Transformers vs. Recurrent Models for Estimating Forest Gross Primary Production

• arxiv url: http://arxiv.org/abs/2511.11880v1
• Date: Fri, 14 Nov 2025 21:18:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:23.354345
• Title: Transformers vs. Recurrent Models for Estimating Forest Gross Primary Production
• Title（参考訳）: 森林生産量推定のための変圧器と繰り返しモデル
• Authors: David Montero, Miguel D. Mahecha, Francesco Martinuzzi, César Aybar, Anne Klosterhalfen, Alexander Knohl, Jesús Anaya, Clemens Mosig, Sebastian Wieneke,
• Abstract要約: リモートセンシングは、単一センサーのスペクトル指標と統計モデルに代わるものを提供する。 深層学習(DL)とデータ融合の最近の進歩は、植生プロセスの時間的ダイナミクスをより良く表現する新たな機会を提供する。 本稿では,Grossプライマリ生産予測のための2つの代表的なモデルの性能について検討する。
• 参考スコア（独自算出の注目度）: 32.81344785160551
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Monitoring the spatiotemporal dynamics of forest CO$_2$ uptake (Gross Primary Production, GPP), remains a central challenge in terrestrial ecosystem research. While Eddy Covariance (EC) towers provide high-frequency estimates, their limited spatial coverage constrains large-scale assessments. Remote sensing offers a scalable alternative, yet most approaches rely on single-sensor spectral indices and statistical models that are often unable to capture the complex temporal dynamics of GPP. Recent advances in deep learning (DL) and data fusion offer new opportunities to better represent the temporal dynamics of vegetation processes, but comparative evaluations of state-of-the-art DL models for multimodal GPP prediction remain scarce. Here, we explore the performance of two representative models for predicting GPP: 1) GPT-2, a transformer architecture, and 2) Long Short-Term Memory (LSTM), a recurrent neural network, using multivariate inputs. Overall, both achieve similar accuracy. But, while LSTM performs better overall, GPT-2 excels during extreme events. Analysis of temporal context length further reveals that LSTM attains similar accuracy using substantially shorter input windows than GPT-2, highlighting an accuracy-efficiency trade-off between the two architectures. Feature importance analysis reveals radiation as the dominant predictor, followed by Sentinel-2, MODIS land surface temperature, and Sentinel-1 contributions. Our results demonstrate how model architecture, context length, and multimodal inputs jointly determine performance in GPP prediction, guiding future developments of DL frameworks for monitoring terrestrial carbon dynamics.
• Abstract（参考訳）: 森林CO$2$取り込み(Gross Primary Production, GPP)の時空間動態のモニタリングは、地球生態系研究における中心的な課題である。 Eddy Covariance(EC)タワーは高周波推定を提供するが、空間範囲の制限は大規模評価に制約を与える。 リモートセンシングはスケーラブルな代替手段を提供するが、ほとんどのアプローチは、GPPの複雑な時間力学を捉えることができない単一センサスペクトル指標と統計モデルに依存している。 近年の深層学習(DL)とデータ融合は、植生プロセスの時間的ダイナミクスをより良く表現する新たな機会を提供するが、マルチモーダルGPP予測のための最先端のDLモデルの比較評価は依然として不十分である。 本稿では,GPP予測のための2つの代表モデルの性能について考察する。 1)GPT-2,変圧器アーキテクチャ,及び 2)多変量入力を用いたリカレントニューラルネットワークLSTM(Long Short-Term Memory)。 全体としては、どちらも同様の精度を実現している。 しかし、LSTMは全体的なパフォーマンスが向上する一方、GPT-2は極端なイベントにおいて優れています。 時間的文脈長の分析により、LSTMはGPT-2よりもかなり短い入力窓で類似の精度を達成し、2つのアーキテクチャ間の精度と効率のトレードオフを強調していることが明らかになった。 特徴的重要度分析では、放射線が支配的な予測因子となり、続いてSentinel-2、MODIS陸地表面温度、Sentinel-1が寄与する。 本研究は, モデルアーキテクチャ, コンテキスト長, マルチモーダル入力がGPP予測の性能を協調的に決定し, 地上炭素動態をモニタリングするDLフレームワークの今後の発展を導くものであることを示す。

関連論文リスト

• A Hybrid PCA-PR-Seq2Seq-Adam-LSTM Framework for Time-Series Power Outage Prediction [5.657115189763182]
  本稿では,PCA-PR-Seq2Seq-Adam-LSTMと呼ばれるハイブリッドディープラーニングフレームワークを提案する。 主成分分析(PCA)、Poisson Regression(PR)、Sequence-to-Sequence(Seq2Seq)アーキテクチャ、Adam-Optimized LSTMを統合している。 その結果,提案手法は既存手法と比較して予測精度とロバスト性を大幅に向上することがわかった。
  論文  参考訳（メタデータ） (2025-09-20T17:13:25Z)
• DIFFUMA: High-Fidelity Spatio-Temporal Video Prediction via Dual-Path Mamba and Diffusion Enhancement [5.333662480077316]
  我々は,半導体ウェハダイシングプロセスに特化した最初の公開時空間画像データセットであるChip Dicing Laneデータセット(CHDL)をリリースする。 このような微細なダイナミクスに特化して設計された、革新的なデュアルパス予測アーキテクチャであるDIFFUMAを提案する。 実験の結果、DIFFUMAは既存の手法よりも優れており、平均二乗誤差(MSE)を39%削減し、類似性(SSIM)を0.926から0.988に改善した。
  論文  参考訳（メタデータ） (2025-07-09T10:51:54Z)
• Recurrent Neural Networks for Modelling Gross Primary Production [34.819587029115205]
  グロス・プライマリ・プロダクション (Gross Primary Production) は、特に森林にとって最大の大気から土地へのCO$のフラックスである。 ディープラーニングは、新しい視点を提供し、日々のMMEを推定するニューラルネットワークアーキテクチャの可能性は、まだ解明されていない。 本稿では,RNN,GRU(Gated Recurrent Units),LSTM(Long-Short Term Memorys)の3つのアーキテクチャの比較分析を行った。
  論文  参考訳（メタデータ） (2024-04-19T09:46:45Z)
• Adapting to Length Shift: FlexiLength Network for Trajectory Prediction [53.637837706712794]
  軌道予測は、自律運転、ロボット工学、シーン理解など、様々な応用において重要な役割を果たしている。 既存のアプローチは主に、一般に標準入力時間を用いて、公開データセットの予測精度を高めるために、コンパクトなニューラルネットワークの開発に重点を置いている。 本稿では,様々な観測期間に対する既存の軌道予測の堅牢性を高めるための,汎用的で効果的なフレームワークFlexiLength Network(FLN)を紹介する。
  論文  参考訳（メタデータ） (2024-03-31T17:18:57Z)
• S^2Former-OR: Single-Stage Bi-Modal Transformer for Scene Graph Generation in OR [50.435592120607815]
  外科手術のシーングラフ生成(SGG)は、手術室(OR)におけるホモロジー認知知能の増強に不可欠である これまでの研究は主に多段階学習に依存しており、生成したセマンティックシーングラフはポーズ推定とオブジェクト検出を伴う中間プロセスに依存している。 本研究では,S2Former-OR(S2Former-OR)と呼ばれるORにおけるSGGのための新しいシングルステージバイモーダルトランスフォーマフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-22T11:40:49Z)
• Parsimony or Capability? Decomposition Delivers Both in Long-term Time Series Forecasting [46.63798583414426]
  時系列予測(LTSF)は時系列分析において重要なフロンティアである。 本研究は, 分析的および実証的な証拠から, 分解が過剰なモデルインフレーションを包含する鍵であることを実証する。 興味深いことに、時系列データの本質的なダイナミクスに分解を合わせることで、提案モデルは既存のベンチマークより優れている。
  論文  参考訳（メタデータ） (2024-01-22T13:15:40Z)
• Upscaling Global Hourly GPP with Temporal Fusion Transformer (TFT) [0.0]
  グロース・プライマリ・生産性は気候変動のイニシアチブを評価するのに不可欠である。 推定値は現在、わずかに分散した渦状共分散塔の場所からのみ入手可能である。 本研究では、TFT(Temporal Fusion Transformer)を用いた新しいアップスケーリングソリューションについて検討した。
  論文  参考訳（メタデータ） (2023-06-23T23:29:05Z)
• PhysFormer: Facial Video-based Physiological Measurement with Temporal Difference Transformer [55.936527926778695]
  近年のディープラーニングアプローチは、時間的受容の限られた畳み込みニューラルネットワークを用いた微妙なrの手がかりのマイニングに重点を置いている。 本稿では,エンドツーエンドのビデオトランスをベースとしたアーキテクチャであるPhysFormerを提案する。
  論文  参考訳（メタデータ） (2021-11-23T18:57:11Z)
• Greenhouse Gas Emission Prediction on Road Network using Deep Sequence Learning [4.814071726181215]
  本稿では,従来の時間ステップの速度,密度,GHG ERなど,最も代表的な予測値に基づいて,リンクレベルのGHG排出率(ER)を予測するためのディープラーニングフレームワークを開発する。 トロント中心街の道路網はケーススタディとして利用され,キャリブレーションされた交通マイクロシミュレーションとMOVESを用いて詳細なデータを合成する。
  論文  参考訳（メタデータ） (2020-04-16T14:25:32Z)

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。