論文の概要: Interpretable rainfall modelling reveals rapid reorganisation of Amazonian rainfall under vegetation loss

• arxiv url: http://arxiv.org/abs/2605.10948v1
• Date: Wed, 29 Apr 2026 16:08:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 12:34:33.740159
• Title: Interpretable rainfall modelling reveals rapid reorganisation of Amazonian rainfall under vegetation loss
• Title（参考訳）: 解釈可能な降雨モデルによる植生損失下でのアマゾンの降雨の迅速な再編成
• Authors: Lilly Horvath-Makkos, Fayyaz Minhas,
• Abstract要約: 我々は1時間ごとの降雨予測にニューラルネットワークモデルを用いて、森林破壊下での植生摂動が降雨を再編成する方法について検討する。 感度分析によりアマゾンの植生損失に対する迅速で非対称な反応が明らかになった。 データ駆動アプローチは、プロセス関連土地と大気の結合を明らかにし、Amazonにおける水文学的脆弱性の増大を強調している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding how vegetation loss alters rainfall remains a major challenge in climate and hydrological science, as deforestation modifies precipitation through heterogeneous, seasonal and nonlinear land-atmosphere feedbacks. Existing models struggle to capture these dynamics: convection is parameterised at coarse scales, tipping behaviour is poorly constrained, and rainfall-deforestation analyses are limited to multi-decadal timescales. Therefore, many approaches resolve correlations rather than causal effects, limiting our ability to anticipate hydrological disruption. Using a neural-network model for hourly rainfall prediction, combined with pathway diagnostics and sensitivity analyses, we examine how vegetation perturbations reorganise rainfall across space, intensity regimes, and timescales under deforestation. We assess whether the model captures physically consistent dependencies linking vegetation, atmospheric state, and precipitation, and whether sustained canopy loss induces threshold behaviour. The model accurately predicts rainfall occurrence and intensity (Spearman = 0.84, F1 = 0.93, ROC-AUC = 0.98) and learns temporally ordered dependencies aligned with ecohydrological theory. Sensitivity analyses reveal rapid, asymmetric responses to vegetation loss: heavy rainfall (20-50 mm/h) declines by up to 7% under sustained deforestation, while light rainfall (0.1-1 mm/h) increases by 4%. Rainfall entropy rises by 1.3%, and dry-season intensity increases by 0.3-0.5% per 0.5% forest-cover loss, with strongest impacts in the north-western Amazon and Andean foothills. Threshold analysis reveals a sharp decline in precipitating area fraction after 2-3 months of sustained vegetation change in sensitive regions. These results demonstrate that data-driven approaches uncover process-relevant land-atmosphere coupling and highlight growing hydrological vulnerability in the Amazon.
• Abstract（参考訳）: 植生の損失が降雨をどう変えるかを理解することは気候や水文科学において大きな課題であり、森林伐採は不均一、季節的、非線形な土地大気のフィードバックを通じて降雨を調節する。 対流は粗いスケールでパラメータ化され、先端の挙動は制約が不十分であり、降雨・森林破壊解析は多段階の時間スケールに限られている。 したがって、多くのアプローチは因果効果よりも相関を解消し、水文学的な破壊を予測できる能力を制限する。 ニューラルネットワークモデルを用いて1時間ごとの降雨予測と経路診断と感度解析を組み合わせることで,森林破壊下での植生摂動が降雨量,強度,時間スケールをどのように再編成するかを検討する。 このモデルが植生,大気状態,降水を関連付ける物理的に一貫した依存関係を捉えているか,持続的な天蓋損失がしきい値の挙動を引き起こすかを評価する。 このモデルは降雨の発生と強度(Spearman = 0.84, F1 = 0.93, ROC-AUC = 0.98)を正確に予測し、生態学理論に沿った時間的に順序付けられた依存関係を学習する。 激しい降雨(20-50mm/h)は持続的森林破壊下で最大7%減少し、軽雨(0.1-1mm/h)は4%減少する。 降雨のエントロピーは1.3%上昇し、乾季の強度は0.5%の森林被害に対して0.3-0.5%上昇し、アマゾン北西部とアンデス山脈の麓に強い影響がある。 閾値分析の結果,2～3ヶ月の植生変動の持続後,降水面積の急激な減少が判明した。 これらの結果は、データ駆動アプローチがプロセス関連土地-大気結合を解明し、Amazonにおける水文学的脆弱性の増大を浮き彫りにすることを示している。

関連論文リスト

• Learning Displacement-Robust Representations for Landslide Early Warning under Rainfall Forecast Uncertainty [6.244816393907942]
  リアルタイム災害監視のための地すべり早期警報システム(LEWS)は,近未来の地すべりリスクを見積もる必要がある。 近年の地すべり予測手法は,統計的および深層学習手法を用いて予測性能を向上した。 しかし、運用環境では、地すべり予測は降雨の予測に依存しており、しばしば降雨場の空間的変位を含む。
  論文  参考訳（メタデータ） (2026-05-17T12:32:31Z)
• Predicting the post-wildfire mudflow onset using machine learning models on multi-parameter experimental data [0.0]
  放火後の泥流は、山火事の流行によりますます危険である。 雨水と浸食した土壌が斜面を覆い、破砕流に繋がる。 土壌の疎水性は浸食を促進させ、強度、持続時間、破壊性において自然の泥流とは異なる火の後の破片の流れをもたらす。
  論文  参考訳（メタデータ） (2026-01-30T15:30:36Z)
• Advancing Wildfire Risk Prediction via Morphology-Aware Curriculum Contrastive Learning [2.8646703612162243]
  森林火災は自然の生態系と人間の健康に大きな影響を与え、生物多様性の喪失、水文学上のリスクの増大、有害物質の排出の増大につながった。 データは、典型的な状況よりも山火事の発生率が著しく低い不均衡な状況へのバイアスを示している。 本稿では,パッチの動的特徴に対する潜在表現の強化を通じて,これらの課題に対してコントラッシブなフレームワークを採用する方法を検討する。
  論文  参考訳（メタデータ） (2025-07-23T14:23:45Z)
• Global spatio-temporal downscaling of ERA5 precipitation through generative AI [3.320484236699228]
  本研究では,地球規模での降水量の時間的ダウンスケーリングを初めて行う深層学習システムSpateGAN-ERA5について紹介する。 SpateGAN-ERA5は条件付き生成対向神経ネットワーク(cGAN)を使用し、ERA5の降水量は24kmから1時間から2kmと10分に増大する。 現実的で大局的なパターンと極端を含む正確な降雨量分布を持つ高解像度の降雨場を提供する。
  論文  参考訳（メタデータ） (2024-11-22T14:11:23Z)
• Downscaling Extreme Precipitation with Wasserstein Regularized Diffusion [18.008592164636664]
  レーダーとメソネットのネットワークは1kmの解像度で降水場を提供するが、歴史的および地理的な範囲は限られている。 ゲージベースの記録と分析製品は、数十年の時間を世界規模でカバーしていますが、解像度は30～50kmに過ぎません。 本研究では,低分解能ゲージおよび再分析生成物から降水場をダウンスケールする拡散フレームワークであるWasserstein Regularized Diffusion (WassDiff)を提案する。
  論文  参考訳（メタデータ） (2024-10-01T04:12:40Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• 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)

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。