論文の概要: Long-Term Probabilistic Forecast of Vegetation Conditions Using Climate Attributes in the Four Corners Region

• arxiv url: http://arxiv.org/abs/2601.16347v1
• Date: Thu, 22 Jan 2026 22:10:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-26 14:27:27.421767
• Title: Long-Term Probabilistic Forecast of Vegetation Conditions Using Climate Attributes in the Four Corners Region
• Title（参考訳）: 四角部気候属性を用いた植生条件の長期確率予測
• Authors: Erika McPhillips, Hyeongseong Lee, Xiangyu Xie, Kathy Baylis, Chris Funk, Mengyang Gu,
• Abstract要約: 我々は,高解像度グリッド上での1年間のピークNDVIを予測するための2段階機械学習モデルを開発した。 我々は,NDVIとグリッドベースのNDVIの1年間の予測において,代替手法より優れているオープンソースツールを開発した。
• 参考スコア（独自算出の注目度）: 0.40022988333495174
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Weather conditions can drastically alter the state of crops and rangelands, and in turn, impact the incomes and food security of individuals worldwide. Satellite-based remote sensing offers an effective way to monitor vegetation and climate variables on regional and global scales. The annual peak Normalized Difference Vegetation Index (NDVI), derived from satellite observations, is closely associated with crop development, rangeland biomass, and vegetation growth. Although various machine learning methods have been developed to forecast NDVI over short time ranges, such as one-month-ahead predictions, long-term forecasting approaches, such as one-year-ahead predictions of vegetation conditions, are not yet available. To fill this gap, we develop a two-phase machine learning model to forecast the one-year-ahead peak NDVI over high-resolution grids, using the Four Corners region of the Southwestern United States as a testbed. In phase one, we identify informative climate attributes, including precipitation and maximum vapor pressure deficit, and develop the generalized parallel Gaussian process that captures the relationship between climate attributes and NDVI. In phase two, we forecast these climate attributes using historical data at least one year before the NDVI prediction month, which then serve as inputs to forecast the peak NDVI at each spatial grid. We developed open-source tools that outperform alternative methods for both gross NDVI and grid-based NDVI one-year forecasts, providing information that can help farmers and ranchers make actionable plans a year in advance.
• Abstract（参考訳）: 気象条件は作物や広さの状況を大きく変え、世界中の個人の収入と食料の安全に影響を及ぼす。 衛星によるリモートセンシングは、地域や世界規模で植生や気候の変数を監視する効果的な手段を提供する。 衛星観測から得られた年間ピーク正規化相違植生指数(NDVI)は、作物の栽培、土地のバイオマス、植生の成長と密接に関連している。 NDVIを短時間で予測する機械学習手法が開発されているが、例えば1ヶ月先予測など、長期的な予測手法、例えば1年先植生条件の予測は、まだ利用できない。 このギャップを埋めるために、米国南西部のフォー・コーナーズ地域をテストベッドとして、高解像度グリッド上での1年間のピークNDVIを予測するための2段階機械学習モデルを開発した。 第1相では,降水量と最大蒸気圧損失を含む気象特性を同定し,気候特性とNDVIの関係を捉える一般化された平行ガウス法を開発した。 第2フェーズでは,これらの気候特性を,NDVI予測月より1年以上前の歴史的データを用いて予測し,各空間格子におけるピークNDVI予測の入力として機能する。 我々は,NDVIとグリッドベースのNDVIの1年間の予測の代替手法に勝るオープンソースツールを開発し,農家や牧場主が1年前に実行可能な計画を立てるのに役立つ情報を提供した。

関連論文リスト

• Probabilistic NDVI Forecasting from Sparse Satellite Time Series and Weather Covariates [1.1503354666872168]
  植生動態の正確な短期予測は、精密農業におけるデータ駆動型意思決定支援の鍵となる。 衛星観測によるNDVIの予測は、雲の被覆によって引き起こされるスパースと不規則なサンプリングのため、依然として困難である。 本研究では,フィールドレベルのNDVI予測のための確率的予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-04T17:48:52Z)
• Out-of-Distribution Generalization in Climate-Aware Yield Prediction with Earth Observation Data [0.0]
  GNN-RNNとMMST-ViTの2つの最先端ディープラーニングモデルを現実的なアウト・オブ・ディストリビューション条件下でベンチマークする。 GNN-RNNは、地理的シフトの下では正の相関で優れた一般化を示し、MMST-ViTはドメイン内では良好に機能するが、OOD条件下では著しく劣化する。
  論文  参考訳（メタデータ） (2025-10-08T03:27:12Z)
• OneForecast: A Universal Framework for Global and Regional Weather Forecasting [67.61381313555091]
  本稿では,グラフニューラルネットワークに基づくグローバルなネスト型気象予報フレームワーク(OneForecast)を提案する。 動的システムパースペクティブとマルチグリッド理論を組み合わせることで,マルチスケールグラフ構造を構築し,対象領域を密度化する。 動的ゲーティングユニットを用いた適応型メッセージング機構を導入し,ノードとエッジ機能を深く統合し,より正確なイベント予測を行う。
  論文  参考訳（メタデータ） (2025-02-01T06:49:16Z)
• FengWu-W2S: A deep learning model for seamless weather-to-subseasonal forecast of global atmosphere [53.22497376154084]
  本研究では,FengWuグローバル気象予報モデルに基づくFengWu-Weather to Subseasonal (FengWu-W2S)を提案する。 我々は,FengWu-W2Sが大気環境を3～6週間先まで確実に予測し,マデン・ジュリア振動 (MJO) や北大西洋振動 (NAO) などの地球表面温度, 降水量, 地磁気高度, 季節内信号の予測能力を向上させることを実証した。 日時から季節時の予測誤差成長に関するアブレーション実験
  論文  参考訳（メタデータ） (2024-11-15T13:44:37Z)
• DUNE: A Machine Learning Deep UNet++ based Ensemble Approach to Monthly, Seasonal and Annual Climate Forecasting [0.0]
  Deep UNet++ベースの新しいニューラルネットワークであるEnsemble(DUNE)が導入されている。 年間平均気温は2メートル(T2m)、海面温度(SST)である。 これらの予測は、すべての領域に対する持続性、気候学、多重線形回帰よりも優れる。
  論文  参考訳（メタデータ） (2024-08-12T16:22:30Z)
• 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)
• Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast [91.9372563527801]
  我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。 初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。 Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
  論文  参考訳（メタデータ） (2022-11-03T17:19:43Z)
• Learning to forecast vegetation greenness at fine resolution over Africa with ConvLSTMs [2.7708222692419735]
  我々は、このタスクに対処するために、畳み込みLSTM(ConvLSTM)アーキテクチャを使用します。 我々は,アフリカにおける植生の変化をSentinel-2衛星NDVIを用いて予測し,ERA5気象分析,SMAP衛星測定,地形解析を行った。 以上の結果から,ConvLSTMモデルがNDVIの季節変動を高分解能で予測できるだけでなく,観測基準値に対する気象異常の影響も明らかとなった。
  論文  参考訳（メタデータ） (2022-10-24T23:03:36Z)
• Forecasting large-scale circulation regimes using deformable convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
  変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討 今後1～15日にわたって北大西洋-欧州の気象条件を予測した。 より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
  論文  参考訳（メタデータ） (2022-02-10T11:37:00Z)
• A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
  本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。 提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
  論文  参考訳（メタデータ） (2020-06-13T20:53:17Z)

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。