Jul, 2024

VegeDiff：地理空间植被预测的潜在扩散模型

HTML
PDF
TL;DR在全球气候变化和频繁极端天气事件的背景下，准确预测未来地理空间植被状态变化至关重要。为了解决这一问题，本研究提出了VegeDiff模型，通过扩散模型概率地捕捉植被变化过程中的不确定性，从而生成清晰准确的未来植物状态。该模型能够分别模拟动态气象变量和静态环境变量对植被的全局和局部影响，比现有确定性方法更精确地捕捉变量的影响，并在地理空间植被预测任务中表现出色。
发现论文，激发创造
  • DiffESM: 带有扩散模型的地球系统模型条件仿真

    本文提出了一种基于扩散模型的深度学习模型，能够在只需小部分计算资源的情况下，准确模拟出影响人类行为的气候极端事件，并成功地生成了地球物理模型中的现象，比如高温，干旱和降雨强度。

    Apr, 2023

  • PreDiff: 隐式扩散模型的降水预测

    我们提出了一个两阶段的概率时空预测流程：1）我们开发了PreDiff，一个能够进行概率预测的条件潜在扩散模型。2）我们通过在去噪步骤中估计所施加约束的偏差并相应地调整过渡分布，结合了显式的知识控制机制，以使预测与领域特定的物理约束相一致。实验在两个数据集上进行，分别是具有混沌行为的合成数据集N-body MNIST和代表降雨预测的真实世界数据集SEVIR。实验结果显示PreDiff在处理不确定性、整合领域特定先验知识和生成具有高操作效能的预测方面的有效性。

    Jul, 2023

  • 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

  • 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

  • 比较基于数据驱动和机械模型在落叶阔叶林中预测物候的研究

    通过使用深度神经网络预测物候指数，我们发现这种方法优于传统的基于过程的模型，突显了数据驱动方法改进气候预测的潜力。我们还分析了时间序列的变量和方面如何影响季节开始的预测，以更好地了解我们模型的优势和局限性。

    Jan, 2024

  • 使用预训练的气象变换器进行全球植被建模

    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。

    Mar, 2024

  • DiffObs: 卫星观测全球预测的生成式扩散

    本研究提出了一种自回归生成扩散模型（DiffObs），用于预测全球日降水的演变，该模型基于卫星观测产品进行训练，并通过领域特定的诊断进行评估。该模型被训练用于概率性地预测一天前的降水。尽管存在次要问题和偏见，结果证实了在实际的亚季节和气候预测应用中，通过对日益稀疏，直接和差异化的观测进行训练的全球扩散模型的潜力。

    Apr, 2024

  • 地球系统模型降水的条件扩散模型用于降尺度与偏差修正

    气候变化加剧了如大雨和洪水等极端天气事件。本文提出了一种新的机器学习框架，用于同时进行偏差校正和下尺度处理。通过在观测数据上训练生成性扩散模型，并对观测和地球系统模型数据进行映射，我们的方法能够纠正任何地球系统模型的地理要素，确保了统计质量并保留了大尺度空间模式。

    Apr, 2024

  • 气候的生成性扩散降尺度

    通过扩大比例或超分辨率，为决策者提供关于气候模型输出的气候变化潜在风险和影响的详细高分辨率信息。机器学习算法在下降尺度方面表现出高效和准确的方式。本研究展示了一种生成式扩大、基于扩散的方法，能够提供精确的下降尺度结果。相比标准的U-Net，在精细尺度上，扩散式方法具有更高的准确性，如频谱分解所示。此外，生成式方法还为用户提供了可用于风险评估的概率分布。该研究突出了扩散式下降尺度技术在提供可靠和详细的气候预测方面的潜力。

    Apr, 2024

  • 聚类-分离-扰动（CSP）：一种模型无关的时空土地表面预测模型可解释性管道

    本研究针对卫星图像与气象数据整合的区域气候变化预测模型中，难以理解气象变量与土地表面演变的复杂关系这一问题，提出了一种新的可解释性管道。该管道结合了扰动基础和全局边际可解释性技术，简化了对复杂时空深度模型的多样性分析。研究发现降水对土地表面的影响最为显著，其次是温度和气压，并揭示了气象变量与植被指数之间的非线性相关性。

    Aug, 2024