論文の概要: Desertification Forecasting in Semi-Arid Regions: Using Deep Learning to Probe the Observability Limits of Land Degradation Dynamics

• arxiv url: http://arxiv.org/abs/2610.13406v1
• Date: Fri, 09 Oct 2026 11:20:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.549188
• Title: Desertification Forecasting in Semi-Arid Regions: Using Deep Learning to Probe the Observability Limits of Land Degradation Dynamics
• Title（参考訳）: 半乾燥地域における砂漠化予測:深層学習を用いた土地劣化動態の観測可能性限界の検証
• Abstract要約: 我々は,Cear Brazilの半乾燥状態に対して,年10回の地球観測(EO)変数(2000-2023)に基づいて訓練された畳み込みLSTM(ConvLSTM)を用いる。 我々は、衛星データから、MapBio由来のインデックス(IDV)の年次進化をどれだけ予測できるかを計測する。
• 参考スコア（独自算出の注目度）: 1.2557868292664296
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Forecasting desertification has received far less attention than mapping it. We use a convolutional LSTM (ConvLSTM) trained on ten annual Earth Observation (EO) variables (2000-2023) over the semi-arid state of Ceará, Brazil, on a 256x206 grid at roughly 2.2 km resolution, to measure how much of the year-to-year evolution of a MapBiomas-derived degradation index (IDV) can be predicted from satellite data. The network predicts a bounded change on top of the last observed state, is trained in two stages (single-step, then recursive rollout) and is evaluated on a contiguous spatial and temporal holdout. State-wide mean IDV rose from 0.238 to 0.350 between 2000 and 2023, about 0.005 per year, but cell-level change is dominated by year-to-year jumps, and a gradient-boosting model given all channels explains only 4.7% of its variance. Against this ceiling, the ConvLSTM lowers RMSE relative to persistence by 1.6% one year ahead and 4.4% four years ahead in a held-out southern band (p < 0.001), beats persistence with a constant drift and reproduces 53-69% of the regional drift. Drift-aware baselines only help from the third year onward, by up to 4.4% in RMSE at six years. An earlier formulation that redrew the whole field each year predicted changes unrelated to the observed ones (correlation -0.06) and produced a spurious decline when run recursively. Channel knockouts suggest that elevation and EVI degrade the forecast, while slope and aspect have no measurable effect. Monte Carlo dropout and stochastic scenario maps convey the uncertainty that the expected-value forecast hides. Under climatological forcing, mean IDV rises from 0.350 in 2023 to 0.370 in 2030. EO-based desertification forecasting is therefore reliable for the regional trend, not for individual cells.
• Abstract（参考訳）: 砂漠化の予測は地図化よりもはるかに少ない注意を払われた。 約2.2kmの解像度の256x206格子上で、ブラジルのカアラの半乾燥状態にある10年分の地球観測(2000-2023)変数に基づいて訓練された畳み込みLSTM(ConvLSTM)を用いて、衛星データからMapBiomas由来の分解指数(IDV)の年間進化の程度を推定する。 ネットワークは、最後の観測状態の上に有界変化を予測し、2段階(単段階、再帰ロールアウト)でトレーニングされ、連続した空間的および時間的ホールドアウトで評価される。 全国平均IDVは2000年から2023年の間に0.238から0.350に上昇したが、細胞レベルの変化は年々のジャンプによって支配され、全てのチャネルに比例する勾配ボスティングモデルではその差の4.7%しか説明できない。 この天井に対して、ConvLSTMはRMSEの持続率を1年で1.6%低下させ、4年で4.4%上昇し(p < 0.001)、一定のドリフトで持続性を打ち負かし、局所ドリフトの53-69%を再生する。 ドリフト・アウェアのベースラインは3年目以降で、RMSEでは6年目で最大4.4%向上した。 電場全体を毎年再描画する以前の定式化は、観測されたものと無関係な変化(相関-0.06)を予測し、再帰的に実行したときに急激な減少を生んだ。 チャネルノックアウトは、標高とEVIが予測を下方修正することを示しているが、斜面と側面は測定可能な効果を持たない。 モンテカルロのドロップアウトと確率的シナリオマップは、期待値の予測が隠している不確実性を伝える。 気候学的強制の下では、2023年には0.350から2030年には0.370まで上昇する。 したがって、EOに基づく砂漠化予測は個々の細胞ではなく、地域的な傾向に信頼性がある。

関連論文リスト

• Learning joint probabilistic weather forecasts from station observations alone [0.0]
  CLARAは、ステーション観測だけで5つの表面変数の合同ガウス予測分布を学習する。 モデルはCPUのトレーニングと予測をサポートする。 CLARAは6大陸で10のリージョンで再訓練され、60のリージョン-リード比較において永続性を上回っている。
  論文  参考訳（メタデータ） (2026-10-07T11:57:10Z)
• Transferability and operational reliability of a Prithvi crop classification foundation model under phenological and geographic shift across three continents [0.33492903409201075]
  我々は,3大陸12か国37のイベントを対象に,広く採用されているGeoFMのアウト・オブ・ディストリビューション性能を評価した。 観測窓が現地の作物学と一致しなかったため、精度は低下した。 本研究は,これらの知見を,信頼性の高いモデル展開のための運用ガイダンスに翻訳する。
  論文  参考訳（メタデータ） (2026-09-20T03:02:50Z)
• Projected climate memory and inherited warm-tail risk in accelerated European summer warming [0.15293427903448018]
  1950年から2024年にかけて、欧州の28のIPCC AR6サブリージョンにERA5由来の夏季指標を使用しました。 地中海州のメモリは、トレンドのみのベースラインとARXのベースラインと比較して、夏の温度予測を平均的に改善する。 全体として、年次記憶は普遍的な短水平予測ではなく、物理的に解釈可能な遺伝的リスクローディング変数である。
  論文  参考訳（メタデータ） (2026-07-28T02:23:06Z)
• Feasibility to detect rapid change and disappearance of seagrass: Lessons from nearly 80 years of vegetation change in the Ako, Seto Inland Sea, Japan [0.8971132850029493]
  瀬戸内海の赤穂干潟を解析し,2025年にほぼすべてのゾステラマリーナが1年以内に姿を消した。 1940年代以降の航空写真、高解像度衛星画像、GRUS画像(2.5-5m)、センチネル2コンポジット(10m)を用いて、約80年間の海草分布を再構築した。
  論文  参考訳（メタデータ） (2026-06-06T02:47:31Z)
• 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)
• 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)
• FengWu: Pushing the Skillful Global Medium-range Weather Forecast beyond 10 Days Lead [93.67314652898547]
  人工知能(AI)に基づく高度データ駆動型中距離気象予報システムFengWuについて紹介する。 FengWuは大気力学を正確に再現し、0.25度緯度で37の垂直レベルで将来の陸と大気の状態を予測することができる。 その結果、FengWuは予測能力を大幅に向上させ、熟練した中距離気象予報を10.75日間のリードまで拡張できることがわかった。
  論文  参考訳（メタデータ） (2023-04-06T09:16:39Z)

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。