CarbonSense: A Multimodal Dataset and Baseline for Carbon Flux Modelling

要約

陸生炭素フラックスは、私たちの生物圏の健康と、人為的なCo $ _2 $排出量を吸収する能力に関する重要な情報を提供します。
炭素フラックスを予測することの重要性は、統計的手法を使用して生物物理学的データから炭素フラックスを予測するデータ駆動型炭素フラックスモデリング（DDCFM）の新興分野につながりました。
ただし、フィールドには、モデル間の比較を促進するための標準化されたデータセットがありません。
このギャップに対処するために、DDCFMの最初の機械学習対応データセットであるCarbonsenseを提示します。
Carbonsenseは、世界中の385の場所から測定された炭素フラックス、気象予測因子、衛星画像を統合し、包括的なカバレッジを提供し、堅牢なモデルトレーニングを促進します。
さらに、現在の最先端のDDCFMアプローチと新しいトランスベースのモデルを使用して、ベースラインモデルを提供します。
私たちの実験は、マルチモーダルの深い学習技術がこのドメインにもたらす潜在的な利益を示しています。
これらのリソースを提供することにより、私たちは、他の深い学習研究者が新しいモデルを開発し、炭素フラックスモデリングの新しい進歩を促進するための参入障壁を下げることを目指しています。

要約(オリジナル)

Terrestrial carbon fluxes provide vital information about our biosphere’s health and its capacity to absorb anthropogenic CO$_2$ emissions. The importance of predicting carbon fluxes has led to the emerging field of data-driven carbon flux modelling (DDCFM), which uses statistical techniques to predict carbon fluxes from biophysical data. However, the field lacks a standardized dataset to promote comparisons between models. To address this gap, we present CarbonSense, the first machine learning-ready dataset for DDCFM. CarbonSense integrates measured carbon fluxes, meteorological predictors, and satellite imagery from 385 locations across the globe, offering comprehensive coverage and facilitating robust model training. Additionally, we provide a baseline model using a current state-of-the-art DDCFM approach and a novel transformer based model. Our experiments illustrate the potential gains that multimodal deep learning techniques can bring to this domain. By providing these resources, we aim to lower the barrier to entry for other deep learning researchers to develop new models and drive new advances in carbon flux modelling.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google