ICLRMar, 2024

使用预训练的气象变换器进行全球植被建模

PDF
TL;DR利用 Transformer-based 深度学习模型，我们在考虑气候变化的短期动态的同时，通过转移与大气状态有关的全球学习表示，仅依靠气象数据全球性地估计了 0.25° 分辨率的植被活动，并且证明了与从头学习的 NDVI 模型相比，利用预训练的天气模型可以提高 NDVI 估计结果。
vegetation modelsecosystem processestransformer-based deep learningclimate variabilitynormalized difference vegetation index (ndvi)
发现论文，激发创造
  • TeleViT：基于 teleconnection 的 Transformer 提升次季节至季节级别的火灾预测

    本文提出了一种基于遥感桥连远程影响视觉编码器（TeleViT）的方法，用于预测全球大火的模式，并证明了在长达四个月的预测窗口中，它在准确预测全球烧毁区域模式方面的优越性。

    Jun, 2023

  • 利用深度学习进行云空缺填补，改善草地监测

    利用深度学习方法，结合免云的光学观测和天气无关的合成孔径雷达数据，采用组合卷积神经网络 (CNN) - 循环神经网络 (RNN) 架构生成连续的归一化植被指数 (NDVI) 时间序列，该方法在连续观测序列中对事件检测任务的准确性进行了改进，并有效滤除由云观测引起的突变和噪声。

    Mar, 2024

  • 使用可视 Transformer 解决 3D 图像 Weather4cast 挑战

    本文介绍了通过使用基于 transformer 的算法来解决 NeurIPS 2022 中的 Weather4cast 挑战，预测在接下来的 8 小时内的降雨事件，并通过将不同的 transformer 和基线模型进行集合，获得了最好的性能。

    Dec, 2022

  • 高分辨率全球降水预测的生成建模

    本研究使用生成对抗网络（GAN）优化了一种最先进的深度学习降水模型（FourCastNet），从而能更有效地捕捉极端百分位的全球降雨量，预测准确率优于其他数值天气模型。

    Oct, 2022

  • 推断土壤温度与归一化差异植被指数之间的关系

    研究发现，气候变化对植物的表型学有重要影响，尤其通过改变碳循环。本研究使用机器学习技术和 SHapley 加性解释（SHAP）值分析了土壤温度、气象变量与植被表型学的关系，结果表明土壤温度与季节开始和高峰有显著关联，而气象变量也对植被表型学的年际变化产生影响，为预测和管理亚北极草地的植被表型学特征提供了宝贵的洞察和基础。

    Dec, 2023

  • 通用植被指数在农业土地覆盖分割中的有效数据融合证据

    本文提出了一种新颖的数据融合方法，旨在从卫星图像中更好地区分农业土地覆盖，并介绍了如何将遥感领域的领域知识与深度神经网络相结合以提高模型性能。

    May, 2020

  • 使用一种卷积长短期记忆张量回归网络预测加利福尼亚野火后的植被恢复

    通过开发 ConvLSTMTR 网络，结合张量回归方法来预测和分析火灾后植物恢复情况，并利用 UMAP 和 KNN 聚类技术识别恢复趋势，该研究开拓了张量回归和 ConvLSTM 的结合应用，并推进了预测生态建模，可为未来火灾后植被管理策略提供指导。

    Nov, 2023

  • 利用深度学习增强数值天气预报进行全球降水短期预测

    通过将深度学习和数值天气预报（NWP）相结合，我们提出了一种改进短期全球降水预报的混合模型，并证实其可显著提高预报技能和减小均值偏差。

    Jun, 2022

  • 基于远程联系信息的高效亚季节气象预测

    借助预训练的 Pangu 模型和基于电涡流的时间模块，我们的研究提出了一种电涡流通知变压器方法，能够改善未来天气状况的预测能力并提高输出的空间精度。此外，我们的方法还提供了利用现有基础模型进行多功能下游任务的资源高效途径。

    Jan, 2024

  • 基于无人机和机器学习的卫星驱动植被指数精细化农业应用优化

    本文提出一种基于深度学习技术的卫星图像细化框架，利用多光谱无人机获取的高分辨率图像信息作为训练数据，可在特定农业领域（如葡萄园生长）中优化卫星驱动的归一化植被指数（NDVI）图，生成更准确的 3 类葡萄园乔木优势图，使管理者能更好地描述和监测农作物状态和病害。

    Apr, 2020