Long-term drought prediction using deep neural networks based on geospatial weather data

要約

特定の地域における干ばつの確率を正確に予測することは、農業実践における情報に基づいた意思決定にとって非常に重要です。
特に長期的な決定を行う場合には、1 年前に予測を行うことが重要です。
ただし、この確率を予測するには、対象領域および隣接領域内のさまざまな要因が複雑に相互作用するため、課題が生じます。
この研究では、さまざまな時空間ニューラル ネットワークに基づいて、この問題に対処するためのエンドツーエンドのソリューションを提案します。
検討されたモデルは、関心のある小地域のパーマー干ばつ深刻度指数 (PDSI) に基づいて干ばつの強度を予測することに重点を置き、固有の要因と気候モデルからの洞察を活用して干ばつ予測を強化します。
比較評価では、ベースライン勾配ブースティングおよびロジスティック回帰ソリューションと比較して、畳み込み LSTM (ConvLSTM) および変換モデルの精度が優れていることが実証されています。
以前の 2 つのモデルは、1 ～ 6 か月の予測期間で 0.90 ～ 0.70 という優れた ROC AUC スコアを達成し、ベースライン モデルを上回りました。
トランスフォーマーは短いホライズンで優位性を示しましたが、ConvLSTM は長いホライズンで優れていました。
したがって、長期的な干ばつ予測に応じてモデルを選択することをお勧めします。
検討したモデルの幅広い適用性を確保するために、さまざまな環境条件を考慮して、世界中の地域にわたって広範な検証を実施しています。
また、我々の発見に異議を唱え、問題を解決する方法に関する追加情報を提供するために、いくつかのアブレーションと感度の研究も実施しています。

要約(オリジナル)

The accurate prediction of drought probability in specific regions is crucial for informed decision-making in agricultural practices. It is important to make predictions one year in advance, particularly for long-term decisions. However, forecasting this probability presents challenges due to the complex interplay of various factors within the region of interest and neighboring areas. In this study, we propose an end-to-end solution to address this issue based on various spatiotemporal neural networks. The models considered focus on predicting the drought intensity based on the Palmer Drought Severity Index (PDSI) for subregions of interest, leveraging intrinsic factors and insights from climate models to enhance drought predictions. Comparative evaluations demonstrate the superior accuracy of Convolutional LSTM (ConvLSTM) and transformer models compared to baseline gradient boosting and logistic regression solutions. The two former models achieved impressive ROC AUC scores from 0.90 to 0.70 for forecast horizons from one to six months, outperforming baseline models. The transformer showed superiority for shorter horizons, while ConvLSTM did so for longer horizons. Thus, we recommend selecting the models accordingly for long-term drought forecasting. To ensure the broad applicability of the considered models, we conduct extensive validation across regions worldwide, considering different environmental conditions. We also run several ablation and sensitivity studies to challenge our findings and provide additional information on how to solve the problem.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google