論文の概要: Predicting and Interpolating Spatiotemporal Environmental Data: A Case Study of Groundwater Storage in Bangladesh

• arxiv url: http://arxiv.org/abs/2511.22378v1
• Date: Thu, 27 Nov 2025 12:13:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.554582
• Title: Predicting and Interpolating Spatiotemporal Environmental Data: A Case Study of Groundwater Storage in Bangladesh
• Title（参考訳）: 時空間環境データの予測と補間:バングラデシュの地下水貯留を事例として
• Authors: Anna Pazola, Mohammad Shamsudduha, Richard G. Taylor, Allan Tucker,
• Abstract要約: 本研究では,時間的予測と空間的クラスタリングに対処するための2つの深層学習戦略を評価する。 バングラデシュの地下水データストレージをケーススタディとして、これらのアプローチの有効性を比較した。 その結果,空間は時間的予測よりもかなり困難であることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Geospatial observational datasets are often limited to point measurements, making temporal prediction and spatial interpolation essential for constructing continuous fields. This study evaluates two deep learning strategies for addressing this challenge: (1) a grid-to-grid approach, where gridded predictors are used to model rasterised targets (aggregation before modelling), and (2) a grid-to-point approach, where gridded predictors model point targets, followed by kriging interpolation to fill the domain (aggregation after modelling). Using groundwater storage data from Bangladesh as a case study, we compare the effcacy of these approaches. Our findings indicate that spatial interpolation is substantially more difficult than temporal prediction. In particular, nearest neighbours are not always the most similar, and uncertainties in geology strongly influence point temporal behaviour. These insights motivate future work on advanced interpolation methods informed by clustering locations based on time series dynamics. Demonstrated on groundwater storage, the conclusions are applicable to other environmental variables governed by indirectly observable factors. Code is available at https://github.com/pazolka/interpolation-prediction-gwsa.
• Abstract（参考訳）: 地理空間観測データセットは、しばしば点計測に限られており、連続体を構築するために時間的予測と空間補間が不可欠である。 本研究は,この課題に対処するための2つの深層学習戦略を評価する。(1)格子予測器を用いてラスタ化対象をモデル化するグリッド・ツー・グリッドアプローチ,(2)格子予測器をモデル化対象とするグリッド・ツー・ポイントアプローチ,次いでドメインを埋めるために補間(モデリング後の集合)を行うグリッド・ツー・ポイントアプローチである。 バングラデシュの地下水貯留データをケーススタディとして、これらのアプローチの有効性を比較した。 その結果,空間補間は時間的予測よりもかなり困難であることが示唆された。 特に、最も近い隣人は必ずしも最もよく似ているわけではなく、地質学における不確実性は点の時間的挙動に強く影響を及ぼす。 これらの知見は、時系列のダイナミクスに基づいてクラスタリング位置から情報を得る高度な補間手法の今後の研究を動機付けている。 地下水の貯留を実証し, 間接的に観測可能な要因によって制御される他の環境変数に適用できる。 コードはhttps://github.com/pazolka/interpolation-prediction-gwsa.comで公開されている。

関連論文リスト

• Probabilistic Spatial Interpolation of Sparse Data using Diffusion Models [0.0]
  本研究では,1%の観測範囲から全温度場を再構成する条件付きデータ計算フレームワークを提案する。 我々は,2018-2020年夏期の午後の気温場に着目して,南大平原の枠組みを検証した。
  論文  参考訳（メタデータ） (2025-05-26T21:19:09Z)
• Deep Random Features for Scalable Interpolation of Spatiotemporal Data [1.7785055672803547]
  地球観測システムの急速な成長は、リモートセンシング観測を補間するためのスケーラブルなアプローチを要求する。 ガウス過程(GP)はスケーラブルな補間のための候補モデル選択である。 GPは通常、その表現性を制限する推論のための点の誘導に依存する。 深層GPはこの問題を克服することができ、トレーニングや推論は困難である。
  論文  参考訳（メタデータ） (2024-12-16T00:32:04Z)
• 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)
• Back to the Future: GNN-based NO$_2$ Forecasting via Future Covariates [49.93577170464313]
  都市全域にわたる地上監視ネットワークにおける大気質観測について検討する。 我々は過去と将来の共変分を現在の観測に埋め込む条件付きブロックを提案する。 将来の気象情報に対する条件付けは,過去の交通状況を考えるよりも影響が大きいことが判明した。
  論文  参考訳（メタデータ） (2024-04-08T09:13:16Z)
• 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)
• TempSAL -- Uncovering Temporal Information for Deep Saliency Prediction [64.63645677568384]
  本稿では,逐次時間間隔でサリエンシマップを出力する新たなサリエンシ予測モデルを提案する。 提案手法は,学習した時間マップを組み合わせることで,サリエンシ予測を局所的に調整する。 私たちのコードはGitHubで公開されます。
  論文  参考訳（メタデータ） (2023-01-05T22:10:16Z)
• Geo-Adaptive Deep Spatio-Temporal predictive modeling for human mobility [5.864710987890994]
  深部GA-vLSは、データが不規則なデータを扱うという課題に直面し、定形かつ規則的なテンソル形状のデータを仮定する。 本稿では,その再帰的メカニズムを維持しつつ,新たなデータ構造に基づくジオアウェアな学習操作を提案する。
  論文  参考訳（メタデータ） (2022-11-27T16:51:28Z)
• Decoupling Long- and Short-Term Patterns in Spatiotemporal Inference [31.245426664456257]
  高価なため、大量のセンサーを配備するのは現実的ではない。 きめ細かいデータ測定の仕方は、長い間、迫りくる問題だった。 本稿では,短期パターンの空間的および時間的関係を学習するためのグラフ時間的注意ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-09-16T03:06:31Z)
• Heterogeneous Data Fusion Considering Spatial Correlations using Graph Convolutional Networks and its Application in Air Quality Prediction [4.9960351797442515]
  本稿では, グラフ畳み込みネットワーク(GCN)を用いて, 複数のモニタリングポイントから収集した異種データを融合する深層学習手法を提案する。 大気質予測の適用シナリオでは,RBF法に基づく核融合法から得られた融解データが良好な整合性を実現することが観察された。 提案手法は,研究領域に散在する複数のモニタリングポイントから連続した異種データを収集するシナリオに適用できる。
  論文  参考訳（メタデータ） (2021-05-24T15:57:31Z)

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。