Comparing Data-Driven and Mechanistic Models for Predicting Phenology in Deciduous Broadleaf Forests

要約

将来の気候を理解することは、気候変動の予防と緩和に関する政策決定を十分な情報に基づいて行うために重要です。
地球システム モデルは将来の気候を予測する上で重要な役割を果たしており、複数の時間スケールと空間スケールにわたる複雑なサブプロセスを正確に表現する必要があります。
季節的および年々の気候変動を周期的な生物学的事象に結び付けるそのようなプロセスの 1 つは、落葉広葉樹林における樹木季節学です。
生育期の開始と終了などの生物季節学的日付は、生物圏と大気の間の炭素と水の交換を理解するために重要です。
これらの日付を機械的に予測するのは困難です。
データ駆動型のアプローチを複雑なモデルに統合するハイブリッド モデリングは、ソリューションを提供します。
この作業では、この目標に向けた最初のステップとして、気象時系列から生物季節指数を予測するためにディープ ニューラル ネットワークをトレーニングします。
このアプローチは、従来のプロセスベースのモデルよりも優れていることがわかりました。
これは、気候予測を改善するためのデータ駆動型手法の可能性を強調しています。
また、モデルの利点と限界をより深く理解するために、時系列のどの変数と側面が季節の始まりの予測に影響を与えるかを分析します。

要約(オリジナル)

Understanding the future climate is crucial for informed policy decisions on climate change prevention and mitigation. Earth system models play an important role in predicting future climate, requiring accurate representation of complex sub-processes that span multiple time scales and spatial scales. One such process that links seasonal and interannual climate variability to cyclical biological events is tree phenology in deciduous broadleaf forests. Phenological dates, such as the start and end of the growing season, are critical for understanding the exchange of carbon and water between the biosphere and the atmosphere. Mechanistic prediction of these dates is challenging. Hybrid modelling, which integrates data-driven approaches into complex models, offers a solution. In this work, as a first step towards this goal, train a deep neural network to predict a phenological index from meteorological time series. We find that this approach outperforms traditional process-based models. This highlights the potential of data-driven methods to improve climate predictions. We also analyze which variables and aspects of the time series influence the predicted onset of the season, in order to gain a better understanding of the advantages and limitations of our model.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google