Ai4Fapar：人工智能如何帮助预测季节性地球观测信号
大气与海洋物理
2024-02-13 v1 机器学习
摘要
本文研究了多变量 Transformer 模型预测欧洲和北非地区 FAPAR（吸收光合有效光照比例）在短期（1 个月）和长期（超过 1 个月）时间段内的时序轨迹的潜力。输入数据覆盖 2002 年至 2022 年，包括遥感和天气数据用于构建 FAPAR 预测模型。该模型采用逐年留一交叉验证进行评估，并与气候学基准模型进行比较。结果表明，Transformer 模型在预测1个月的时间范围内优于基准模型，随后气候学基准模型表现更好。Transformer 模型的 RMSE 值在前2个月的预测中分别为 0.02 到 0.04 FAPAR 单位。总体而言，测试的 Transformer 模型是 FAPAR 预测的有效方法，尤其是在结合天气数据并用于短期预测时效果更佳。
引用
@article{arxiv.2402.06684,
title = {Ai4Fapar: How artificial intelligence can help to forecast the seasonal earth observation signal},
author = {Filip Sabo and Martin Claverie and Michele Meroni and Arthur Hrast Essenfelder},
journal= {arXiv preprint arXiv:2402.06684},
year = {2024}
}