論文の概要: MIRANDA: MId-feature RANk-adversarial Domain Adaptation toward climate change-robust ecological forecasting with deep learning

• arxiv url: http://arxiv.org/abs/2604.00800v1
• Date: Wed, 01 Apr 2026 12:06:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-02 16:44:31.972604
• Title: MIRANDA: MId-feature RANk-adversarial Domain Adaptation toward climate change-robust ecological forecasting with deep learning
• Title（参考訳）: MIRANDA: 深層学習による気候変動-ロバスト生態系予測に対するMId-Feature RANk-adversarial Domain Adaptation
• Authors: Yuchang Jiang, Jan Dirk Wegner, Vivien Sainte Fare Garnot,
• Abstract要約: メカニスティックモデルでは、データ分散シフトが気候変動によって引き起こされるとき、ディープネットワークを上回る傾向があります。 中等級準位ドメイン適応(MIRANDA)について紹介する。 MIRANDAは、気候分布シフトに対する堅牢性を改善し、メカニスティックモデルによるパフォーマンスギャップを狭める。
• 参考スコア（独自算出の注目度）: 5.261667457257712
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Plant phenology modelling aims to predict the timing of seasonal phases, such as leaf-out or flowering, from meteorological time series. Reliable predictions are crucial for anticipating ecosystem responses to climate change. While phenology modelling has traditionally relied on mechanistic approaches, deep learning methods have recently been proposed as flexible, data-driven alternatives with often superior performance. However, mechanistic models tend to outperform deep networks when data distribution shifts are induced by climate change. Domain Adaptation (DA) techniques could help address this limitation. Yet, unlike standard DA settings, climate change induces a temporal continuum of domains and involves both a covariate and label shift, with warmer records and earlier start of spring. To tackle this challenge, we introduce Mid-feature Rank-adversarial Domain Adaptation (MIRANDA). Whereas conventional adversarial methods enforce domain invariance on final latent representations, an approach that does not explicitly address label shift, we apply adversarial regularization to intermediate features. Moreover, instead of a binary domain-classification objective, we employ a rank-based objective that enforces year-invariance in the learned meteorological representations. On a country-scale dataset spanning 70 years and comprising 67,800 phenological observations of 5 tree species, we demonstrate that, unlike conventional DA approaches, MIRANDA improves robustness to climatic distribution shifts and narrows the performance gap with mechanistic models.
• Abstract（参考訳）: 植物表現学モデリングは、気象学的時系列から葉切れや開花などの季節の時期を予測することを目的としている。 気候変動に対する生態系の反応を予測するためには、信頼性の高い予測が不可欠である。 表現学モデリングは伝統的にメカニスティックなアプローチに依存してきたが、ディープラーニング手法は、しばしば優れたパフォーマンスを持つフレキシブルでデータ駆動の代替手段として提案されている。 しかし、データ分散シフトが気候変動によって引き起こされる場合、メカニスティックモデルはディープネットワークを上回る傾向にある。 ドメイン適応(DA)技術はこの制限に対処するのに役立ちます。 しかし、標準的なDA設定とは異なり、気候変動はドメインの時間的連続を誘導し、より暖かい記録と早期春の開始を伴う共変量とラベルシフトの両方を伴う。 この課題に対処するために、中等級逆境ドメイン適応(MIRANDA)を導入する。 従来の逆数法は、ラベルシフトに明示的に対応しないアプローチである最終潜在表現にドメイン不変性を強制するが、中間特徴に対して逆数正規化を適用する。 さらに、二項領域分類の目的の代わりに、学習した気象表現の年次差を強制するランクベースの目的を用いる。 従来のDA手法とは異なり,MIRANDAは気候分布の変化に対して頑健さを向上し,機械的モデルによる性能ギャップを狭めることが実証された。

関連論文リスト

• Target Concept Tuning Improves Extreme Weather Forecasting [51.43578341469291]
  気象予報のための深層学習モデルは、台風のような珍しいが高影響の出来事でしばしば失敗する。 既存の微調整手法は、これらの極端な出来事を見落とし、全体的なパフォーマンスを犠牲にしてそれらを過度に適合させるというトレードオフに直面します。 モデルの改良によって上記の問題を解決するための,解釈可能な概念付き微調整フレームワークであるTaCTを提案する。
  論文  参考訳（メタデータ） (2026-03-17T15:34:05Z)
• Data-driven Seasonal Climate Predictions via Variational Inference and Transformers [31.98107454758077]
  我々は季節予測のための気候モデル出力の生成モデルを訓練する。 気候変動に伴う傾向を超えた年次異常予測における手法の性能分析を行った。
  論文  参考訳（メタデータ） (2025-03-26T11:51:23Z)
• Deconfounding Multi-Cause Latent Confounders: A Factor-Model Approach to Climate Model Bias Correction [26.68810227550602]
  地球温暖化モデル(GCM)は、地球系をシミュレートすることで、将来の気候変動を予測するのに不可欠である。 GCMは、モデルの不確実性、パラメータ化の単純化、複雑な気候現象の不十分な表現による体系的なバイアスを示す。 本稿では,GCMと観測データの両方を利用する新しいバイアス補正手法を提案する。
  論文  参考訳（メタデータ） (2024-08-22T01:53:35Z)
• MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
  気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。 以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。 本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
  論文  参考訳（メタデータ） (2024-08-20T13:45:49Z)
• Comparing Data-Driven and Mechanistic Models for Predicting Phenology in Deciduous Broadleaf Forests [47.285748922842444]
  我々は、気象時系列から表現指標を予測するために、ディープニューラルネットワークを訓練する。 このアプローチは従来のプロセスベースのモデルよりも優れています。
  論文  参考訳（メタデータ） (2024-01-08T15:29:23Z)
• 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)
• Spatiotemporal modeling of European paleoclimate using doubly sparse Gaussian processes [61.31361524229248]
  計算負担を軽減するため,近年の大規模分散時間GPを構築した。 我々は,古気候の確率モデルを構築するために,この2倍のスパースGPをうまく利用した。
  論文  参考訳（メタデータ） (2022-11-15T14:15:04Z)
• 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)

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。