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

要約

最大 1 年前までの高品質な干ばつ予測の問題は、農業計画と保険にとって重要です。
しかし、データの複雑さと乾燥の確率論のため、この問題は依然として妥当な精度で解決されていません。
私たちは、アクセス可能なオープンな毎月の気候データを入力として使用する時空間ニューラル ネットワーク モデルを採用するエンドツーエンドの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。
私たちの体系的な研究では、パーマー干ばつ深刻度指数 (PDSI) 予測の有効性を評価するためのテストベッドとして、提案された多様なモデルと 5 つの異なる環境地域を使用しています。
主要な集計結果は、正確な短期 (最大 6 か月) 予測を行う際の Transformer モデル、EarthFormer の卓越したパフォーマンスです。
同時に、畳み込み LSTM は長期予測にも優れています。
どちらのモデルも高い ROC AUC スコアを達成しました。1 か月先の予測では 0.948、12 か月先の予測では 0.617 でした。

要約(オリジナル)

The problem of high-quality drought forecasting up to a year in advance is critical for agriculture planning and insurance. Yet, it is still unsolved with reasonable accuracy due to data complexity and aridity stochasticity. We tackle drought data by introducing an end-to-end approach that adopts a spatio-temporal neural network model with accessible open monthly climate data as the input. Our systematic research employs diverse proposed models and five distinct environmental regions as a testbed to evaluate the efficacy of the Palmer Drought Severity Index (PDSI) prediction. Key aggregated findings are the exceptional performance of a Transformer model, EarthFormer, in making accurate short-term (up to six months) forecasts. At the same time, the Convolutional LSTM excels in longer-term forecasting. Both models achieved high ROC AUC scores: 0.948 for one month ahead and 0.617 for twelve months ahead forecasts.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google