論文の概要: From Remote Sensing to Multiple Time Horizons Forecasts: Transformers Model for CyanoHAB Intensity in Lake Champlain

• arxiv url: http://arxiv.org/abs/2512.06598v1
• Date: Sat, 06 Dec 2025 23:51:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.42597
• Title: From Remote Sensing to Multiple Time Horizons Forecasts: Transformers Model for CyanoHAB Intensity in Lake Champlain
• Title（参考訳）: リモートセンシングから複数時間ホライズン予測:シャンプレーン湖におけるシアノHAB強度の変換モデル
• Authors: Muhammad Adil, Patrick J. Clemins, Andrew W. Schroth, Panagiotis D. Oikonomou, Donna M. Rizzo, Peter D. F. Isles, Xiaohan Zhang, Kareem I. Hannoun, Scott Turnbull, Noah B. Beckage, Asim Zia, Safwan Wshah,
• Abstract要約: Cyanobacterial Harmful Algal Blooms (CyanoHABs)は、世界中の水生生態系や公衆衛生に重大な脅威をもたらす。 シャンプレーン湖は特に、特に北部のシアノHAB現象に対して脆弱である。 本稿では,トランスフォーマーとBiLSTMを組み合わせて,CyanoHAB強度を14日前に予測するリモートセンシングのみ予測フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 5.521013362162047
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cyanobacterial Harmful Algal Blooms (CyanoHABs) pose significant threats to aquatic ecosystems and public health globally. Lake Champlain is particularly vulnerable to recurring CyanoHAB events, especially in its northern segment: Missisquoi Bay, St. Albans Bay, and Northeast Arm, due to nutrient enrichment and climatic variability. Remote sensing provides a scalable solution for monitoring and forecasting these events, offering continuous coverage where in situ observations are sparse or unavailable. In this study, we present a remote sensing only forecasting framework that combines Transformers and BiLSTM to predict CyanoHAB intensities up to 14 days in advance. The system utilizes Cyanobacterial Index data from the Cyanobacterial Assessment Network and temperature data from Moderate Resolution Imaging Spectroradiometer satellites to capture long range dependencies and sequential dynamics in satellite time series. The dataset is very sparse, missing more than 30% of the Cyanobacterial Index data and 90% of the temperature data. A two stage preprocessing pipeline addressed data gaps by applying forward fill and weighted temporal imputation at the pixel level, followed by smoothing to reduce the discontinuities of CyanoHAB events. The raw dataset is transformed into meaningful features through equal frequency binning for the Cyanobacterial Index values and extracted temperature statistics. Transformer BiLSTM model demonstrates strong forecasting performance across multiple horizons, achieving F1 scores of 89.5%, 86.4%, and 85.5% at one, two, and three-day forecasts, respectively, and maintaining an F1 score of 78.9% with an AUC of 82.6% at the 14-day horizon. These results confirm the model's ability to capture complex spatiotemporal dynamics from sparse satellite data and to provide reliable early warning for CyanoHABs management.
• Abstract（参考訳）: Cyanobacterial Harmful Algal Blooms (CyanoHABs)は、世界中の水生生態系や公衆衛生に重大な脅威をもたらす。 シャンプレーン湖は、特に北部のミシスコイ湾、セントオールバンス湾、北東アームにおいて、栄養の豊かさと気候変動のために、繰り返し発生するシアノHAB現象に対して脆弱である。 リモートセンシングは、これらのイベントを監視し、予測するためのスケーラブルなソリューションを提供する。 本研究では,トランスフォーマーとBiLSTMを組み合わせて,CyanoHAB強度を最大14日間予測するリモートセンシングのみ予測フレームワークを提案する。 このシステムは、Cyanobacterial Assessment NetworkのCyanobacterial Indexデータと、Modrate Resolution Imaging Spectroradiometer衛星の温度データを利用して、衛星時系列における長距離依存性とシーケンシャルダイナミクスをキャプチャする。 データセットは非常に小さく、Cyanobacterial Indexデータの30%以上と温度データの90%を欠いている。 2段階のプリプロセッシングパイプラインは、画素レベルでフォワードフィリングと重み付け時間計算を適用してデータギャップに対処し、続いて滑らかにすることで、CyanoHABイベントの不連続を低減した。 生データセットはCyanobacterial Index値と抽出温度統計値の等しい周波数ビンニングによって有意義な特徴に変換される。 トランスフォーマー BiLSTM モデルでは、F1スコアが89.5%、86.4%、85.5%が1日、2日、3日間の予測で、F1スコアが78.9%、AUCが82.6%である。 これらの結果は、スパース衛星データから複雑な時空間ダイナミクスを捕捉し、CyanoHABs管理に信頼性の高い早期警告を提供するモデルの能力を確認した。

関連論文リスト

• LSTM networks provide efficient cyanobacterial blooms forecasting even with incomplete spatio-temporal data [2.5537500385691594]
  シアノバクテリアの早期警報システム(EWS)は、タイムリーな管理対策の実装を可能にする。 本稿では,6年間の非完全高周波時間データを用いたシアノバクテリアの開花予測に有効なEWSを提案する。 その結果,ハイブリッドシステムで評価した4日から28日間の7つの予測時間地平線について分析した。
  論文  参考訳（メタデータ） (2024-10-09T15:13:24Z)
• 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)
• Scalable Spatiotemporal Prediction with Bayesian Neural Fields [3.3299088915999295]
  BayesNFは、階層的ベイズ推定と高容量推定のためのディープニューラルネットワークアーキテクチャを統合し、堅牢な予測の不確実性を実現する。 BayesNFは、数万の計測値を含む気候および公衆衛生データから予測問題を改善する。
  論文  参考訳（メタデータ） (2024-03-12T13:47:50Z)
• Satellite-based feature extraction and multivariate time-series prediction of biotoxin contamination in shellfish [0.0]
  貝生産は多くのポルトガル沿岸地域の経済にとって重要な産業である。 貝のバイオトキシン汚染の課題は公衆衛生上の懸念と経済的リスクの両方を引き起こす。 センチネル3衛星画像のデータセットを海洋監視に利用した。
  論文  参考訳（メタデータ） (2023-11-25T11:32:20Z)
• 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)
• Forecasting COVID-19 Case Counts Based on 2020 Ontario Data [3.04585143845864]
  我々は,過去14日間の環境・移動データから1日当たりのCOVID-19感染者数を予測できる機械学習モデルを開発した。 本研究は,新型コロナウイルスなどのウイルスの感染に対する室内湿度の重要性を示唆するものである。
  論文  参考訳（メタデータ） (2023-03-18T00:19:43Z)
• Real-time Tropical Cyclone Intensity Estimation by Handling Temporally Heterogeneous Satellite Data [33.528810128372704]
  本稿では,GAN(Generative Adversarial Network)と畳み込みニューラルネットワーク(CNN)を組み合わせた新しいフレームワークを提案する。 実験結果から,ハイブリッドGAN-CNNフレームワークは最先端モデルに匹敵する精度を実現することが示された。
  論文  参考訳（メタデータ） (2020-10-28T13:40:07Z)

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。