CarbonSense：用于碳通量建模的多模态数据集与基线
机器学习
2025-03-25 v2 人工智能
摘要
陆地碳通量提供了关于我们生物圈健康及其吸收人类排放的 CO 排放能力的关键信息。预测碳通量的重要性推动了数据驱动的碳通量建模（DDCFM）这一新兴领域，该领域利用统计技术从生物物理数据中预测碳通量。然而，该领域缺乏标准化数据集以促进模型之间的比较。为填补这一空白，我们提出了 CarbonSense，这是第一个为 DDCFM 准备的机器学习数据集。CarbonSense 将测量的碳通量、气象预测因子和来自全球 385 个地点的卫星影像整合在一起，提供全面的覆盖范围，便于稳健的模型训练。此外，我们提供了一个使用当前 SOTA DDCFM 方法的基线模型和一个基于变换器的新型模型。我们的实验说明了多模态深度学习技术在该领域能够带来的潜在收益。通过提供这些资源，我们旨在降低其他深度学习研究人员开发新模型和推动碳通量建模新进展的门槛。
引用
@article{arxiv.2406.04940,
title = {CarbonSense: A Multimodal Dataset and Baseline for Carbon Flux Modelling},
author = {Matthew Fortier and Mats L. Richter and Oliver Sonnentag and Chris Pal},
journal= {arXiv preprint arXiv:2406.04940},
year = {2025}
}
备注
9 content pages, 11 reference pages, 9 appendix pages