Identifying Spatio-Temporal Drivers of Extreme Events

要約

気候データにおける極端な現象の影響とその要因の時空間関係は完全には理解されていないため、データからそのような時空間関係を特定するための機械学習アプローチが必要です。
しかし、この作業は非常に困難です。なぜなら、極値とそのドライバーの間には時間の遅れがあり、そのようなドライバーの空間応答は不均一であるからです。
この研究では、この課題に取り組むための最初のアプローチとベンチマークを提案します。
私たちのアプローチは、物理的な入力変数の時空間的な極値と時空間的な要因を一緒に予測するためにエンドツーエンドでトレーニングされています。
識別されたドライバーの時空間バイナリ マスクから極端値を予測するようにネットワークを強制することにより、ネットワークは、極端値と相関するドライバーを首尾よく識別します。
私たちは、新しく作成された 3 つの合成ベンチマークでアプローチを評価します。そのうちの 2 つはリモート センシングまたは再解析の気候データと、2 つの現実世界の再解析データセットに基づいています。
ソース コードとデータセットは、プロジェクト ページ https://hakamshams.github.io/IDE で公開されています。

要約(オリジナル)

The spatio-temporal relations of impacts of extreme events and their drivers in climate data are not fully understood and there is a need of machine learning approaches to identify such spatio-temporal relations from data. The task, however, is very challenging since there are time delays between extremes and their drivers, and the spatial response of such drivers is inhomogeneous. In this work, we propose a first approach and benchmarks to tackle this challenge. Our approach is trained end-to-end to predict spatio-temporally extremes and spatio-temporally drivers in the physical input variables jointly. By enforcing the network to predict extremes from spatio-temporal binary masks of identified drivers, the network successfully identifies drivers that are correlated with extremes. We evaluate our approach on three newly created synthetic benchmarks, where two of them are based on remote sensing or reanalysis climate data, and on two real-world reanalysis datasets. The source code and datasets are publicly available at the project page https://hakamshams.github.io/IDE.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google