DroughtSet: Understanding Drought Through Spatial-Temporal Learning

要約

干ばつは最も破壊的で費用のかかる自然災害の 1 つであり、水資源の枯渇や農作物の収量の減少によって天然資源とリスクに深刻な影響を及ぼします。
気候変動下では、干ばつを正確に予測することが、干ばつによって引き起こされるリスクを軽減するために重要です。
しかし、干ばつを制御する物理的要因と生物学的要因の間の複雑な相互作用により、特に亜季節から季節（S2S）の時間スケールでの干ばつの予測可能性と理解が制限されます。
深層学習は気候予測の課題に対処する可能性があることが実証されていますが、干ばつ予測への応用は比較的注目されていません。
この研究では、米国本土 (CONUS) にわたる複数のリモートセンシングおよび再解析データセットからの関連予測特徴と 3 つの干ばつ指数を統合する新しいデータセット DroughtSet を提案します。
DroughtSet は特に、干ばつ予測モデル、より一般的には時系列予測手法のベンチマークを行うための新しい現実世界のデータセットを機械学習コミュニティに提供します。
さらに、S2S 干ばつを予測および解釈するための時空間モデル SPDrought を提案します。
私たちのモデルは、物理的および生物学的特徴の空間的および時間的情報から学習して、3 種類の干ばつを同時に予測します。
干ばつ予測における物理的および生物学的特徴の重要性を定量化するために、複数の戦略が採用されています。
私たちの結果は、研究者が生物学的および物理的条件に対する干ばつの予測可能性と感受性をより深く理解するための洞察を提供します。
私たちは、干ばつの発生を予測して理解するための新しいツールを提案し、気候科学におけるディープラーニングの応用を研究するための新しいベンチマークを AI コミュニティに提供することで、気候分野に貢献することを目指しています。

要約(オリジナル)

Drought is one of the most destructive and expensive natural disasters, severely impacting natural resources and risks by depleting water resources and diminishing agricultural yields. Under climate change, accurately predicting drought is critical for mitigating drought-induced risks. However, the intricate interplay among the physical and biological drivers that regulate droughts limits the predictability and understanding of drought, particularly at a subseasonal to seasonal (S2S) time scale. While deep learning has been demonstrated with potential in addressing climate forecasting challenges, its application to drought prediction has received relatively less attention. In this work, we propose a new dataset, DroughtSet, which integrates relevant predictive features and three drought indices from multiple remote sensing and reanalysis datasets across the contiguous United States (CONUS). DroughtSet specifically provides the machine learning community with a new real-world dataset to benchmark drought prediction models and more generally, time-series forecasting methods. Furthermore, we propose a spatial-temporal model SPDrought to predict and interpret S2S droughts. Our model learns from the spatial and temporal information of physical and biological features to predict three types of droughts simultaneously. Multiple strategies are employed to quantify the importance of physical and biological features for drought prediction. Our results provide insights for researchers to better understand the predictability and sensitivity of drought to biological and physical conditions. We aim to contribute to the climate field by proposing a new tool to predict and understand the occurrence of droughts and provide the AI community with a new benchmark to study deep learning applications in climate science.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google