Explainable Earth Surface Forecasting under Extreme Events

要約

気候変動に関連した極端な現象が増加する中、高次元の地球観測データは、生態系への影響を予測し理解するためのまたとない機会を提供します。
ただし、これは、このデータの処理、視覚化、モデル化、説明の複雑さによって妨げられます。
この課題をどのように解決できるかを示すために、ここでは、新しい DeepExtremeCubes データセットで畳み込み長期短期記憶ベースのアーキテクチャをトレーニングします。
DeepExtremeCubes には、世界中で約 40,000 個の長期 Sentinel-2 ミニキューブ (2016 年 1 月から 2022 年 10 月) が含まれており、これに加えて、極端な気候現象の影響を受けた場所とその周辺地域からサンプリングされた、ラベル付きの極端な現象、気象データ、植生土地被覆、地形図が含まれています。
カーネル正規化差植生指数を通じて将来の反射率と植生への影響を予測すると、モデルはテスト セットで R$^2$ スコア 0.9055 を達成しました。
説明可能な人工知能は、2020 年 10 月に中南米で起きた熱波と干ばつの複合現象におけるモデルの予測を分析するために使用されました。
私たちは、反事実としてイベントのちょうど 1 年前に同じ地域を選択し、通常の条件下では平均気温と表面圧力が一般に最良の予測因子であることが判明しました。
対照的に、蒸発と表面潜熱流束の最小限の異常がイベント中に主導権を握ります。
政権の変化はイベント前の属性でも観察されており、これはイベントが発生する前にどれくらいの期間準備されていたかを評価するのに役立つ可能性があります。
この論文のすべての実験と図を再現するコードは、https://github.com/DeepExtremes/txyXAI で公開されています。

要約(オリジナル)

With climate change-related extreme events on the rise, high dimensional Earth observation data presents a unique opportunity for forecasting and understanding impacts on ecosystems. This is, however, impeded by the complexity of processing, visualizing, modeling, and explaining this data. To showcase how this challenge can be met, here we train a convolutional long short-term memory-based architecture on the novel DeepExtremeCubes dataset. DeepExtremeCubes includes around 40,000 long-term Sentinel-2 minicubes (January 2016-October 2022) worldwide, along with labeled extreme events, meteorological data, vegetation land cover, and topography map, sampled from locations affected by extreme climate events and surrounding areas. When predicting future reflectances and vegetation impacts through kernel normalized difference vegetation index, the model achieved an R$^2$ score of 0.9055 in the test set. Explainable artificial intelligence was used to analyze the model’s predictions during the October 2020 Central South America compound heatwave and drought event. We chose the same area exactly one year before the event as counterfactual, finding that the average temperature and surface pressure are generally the best predictors under normal conditions. In contrast, minimum anomalies of evaporation and surface latent heat flux take the lead during the event. A change of regime is also observed in the attributions before the event, which might help assess how long the event was brewing before happening. The code to replicate all experiments and figures in this paper is publicly available at https://github.com/DeepExtremes/txyXAI

arxiv情報

提供元, 利用サービス

arxiv.jp, Google