論文の概要: A Sequence-to-Sequence ConvLSTM Approach for Leaf Area Index Forecasting over the South-Central United States

• arxiv url: http://arxiv.org/abs/2608.00879v1
• Date: Sat, 01 Aug 2026 21:45:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:24.967911
• Title: A Sequence-to-Sequence ConvLSTM Approach for Leaf Area Index Forecasting over the South-Central United States
• Title（参考訳）: 米国中南部におけるリーフ面積指数予測のためのシーケンス・ツー・シーケンス・コンvLSTMアプローチ
• Authors: Zhixing Ruan, Lixin Lu,
• Abstract要約: 葉面積指数(Leaf Area Index, LAI)は、陸上と大気の相互作用を管理する基本的な生物物理学的な変数である。 最大30日前に1日1kmのLAI予測を生成するシーケンス・ツー・シーケンス・フレームワークを提案する。 このモデルは、30日間のリードタイムで平均0.36のドメイン平均RMSEを達成し、永続ベースラインよりも3分の1以下である。
• 参考スコア（独自算出の注目度）: 0.2864713389096699
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Leaf Area Index (LAI) is a fundamental biophysical variable governing land-atmosphere interactions; however, LAI forecasting at high spatial resolution remains an unsolved challenge. While recent machine learning approaches have demonstrated LAI estimation at point or regional scales, none provides a gridded, meteorology-driven prognostic forecast suitable for subseasonal land surface and climate modeling applications. Here we present a sequence-to-sequence Convolutional LSTM (ConvLSTM) framework that generates daily 1-km LAI forecasts up to 30 days ahead, driven by historical LAI sequences and daily meteorological forcing including temperature and precipitation. Trained and evaluated over the South-Central United States -- a region of strong climate gradients and diverse vegetation -- the model achieves a domain-averaged RMSE of 0.36 at a 30-day lead time, more than a third lower than the persistence baseline. Forecast skill remains robust across seasons, geographic distributions, and plant functional types, including forests, grasslands, shrublands, and croplands. To our knowledge, this is the first demonstration of skillful LAI forecasting at a 30-day horizon at 1-km resolution.
• Abstract（参考訳）: 葉面積指数(LAI)は陸上と大気の相互作用を管理する基本的な生物物理学的変数であるが、高空間分解能でのLAI予測は未解決の課題である。 近年の機械学習アプローチでは、点数や地域規模でのLAI推定が実証されているが、成層圏の地表面や気候モデリングの応用に適した、格子状で気象駆動の予測は提供されていない。 本稿では、1日1kmのLAI予測を30日前に生成し、過去のLAIシーケンスと、気温や降水を含む毎日の気象予報によって駆動する、シーケンス・ツー・シーケンス・コンボリューショナルLSTM(ConvLSTM)フレームワークを提案する。 強い気候勾配と多様な植生の地域である米国南部中部で訓練され、評価されたこのモデルは、30日間のリードタイムで平均0.36のドメイン平均RMSEを達成し、永続性ベースラインより3分の1以上低い。 予報技術は季節、地理的分布、森林、草原、低木、耕作地など植物機能タイプにわたって頑丈である。 私たちの知る限り、これは1kmの解像度で30日間の地平線で熟練したLAI予測の初めての実演です。

関連論文リスト

• AirCast-SR: A Foundation Model for Kilometer-Scale Atmospheric Super-Resolution via Latent Consistency Diffusion [1.0745467668389186]
  大気超解法の基礎モデルであるAirCast-SRを導入し,時空間分解能において地球規模のAI天気予報を0.25度(28km)から1km水平分解能にダウンスケールし,同時に8つの結合曲面変数の67時間予測を生成する。 冬季, 夏季, 春季の3つのConUSケーススタディを対象に, EarthMind-SR を検証し, トレーニングや微調整を行なわずに, 独立した地上局観測を用いてインドとドイツにゼロショットのグローバルトランスファー可能性を実証した。 オープンウェイトの基礎モデルとして、EarthMind-SRは、キロスケールのAI天気予報と予測のための新しいパラダイムを確立する。
  論文  参考訳（メタデータ） (2026-05-20T07:29:00Z)
• Long-Term Probabilistic Forecast of Vegetation Conditions Using Climate Attributes in the Four Corners Region [0.40022988333495174]
  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。
  論文  参考訳（メタデータ） (2026-01-22T22:10:29Z)
• 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)
• 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)
• Prediction Beyond the Medium Range with an Atmosphere-Ocean Model that Combines Physics-based Modeling and Machine Learning [0.0]
  本稿では、機械学習(ML)と従来の物理モデルを組み合わせたハイブリッドモデリング手法の可能性について検討する。 このモデルは低分解能で簡易なパラメータ化大気一般循環モデルSPEEDYに基づいている。 このモデルはエルニーノの周期と、季節によって3～7ヶ月の降水量による地球規模のテレコネクションを予測する能力を持っている。
  論文  参考訳（メタデータ） (2024-05-29T20:56:44Z)
• 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)
• Sub-Seasonal Climate Forecasting via Machine Learning: Challenges, Analysis, and Advances [44.28969320556008]
  サブシーズン気候予報(SSF)は、気温や降水量などの主要な気候変数を2週間から2ヶ月の時間スケールで予測することに焦点を当てている。 本稿では,米国本土におけるSSFのための機械学習(ML)アプローチについて検討する。
  論文  参考訳（メタデータ） (2020-06-14T18:39:27Z)

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。