基于分布迁移的格陵兰降雪湖演化因果时间序列建模
机器学习
2025-10-20 v1
摘要
因果建模为揭示时间序列数据中稳定、不变的关系提供原则性基础，从而提高鲁棒性和在分布迁移下的泛化能力。然而，其潜力在时空地球观测领域未得到充分利用，因构建常依赖纯相关特征，这些特征在异构领域间难以迁移。我们提出 RIC-TSC（Regionally-Informed Causal time-series Classification），一个嵌入滞后感知因果发现的区域信息因果时间序列分类框架，旨实现预测准确性与科学可解释性。我们利用包括 Sentinel-1 微波反射率、Sentinel-2 和 Landsat-8 光学反射率以及 CARRA 气象变量于内的多模态卫星和再分析数据，借助联合 PCMCI+（J-PCMCI+）识别格陵兰降雪湖演化的区域特定和不变预测器。我们对全球范围和各流域估计因果图，提供经验证的预测器及其时间滞后供轻量级分类器使用。在由 2018-2019 两个截然不同的融雪季节中人工标注的 1000 个湖泊构成的平衡基准上，因果模型在分布外评估下比基于相关性的基线提升最高可达 12.59% 的准确率。这些结果表明，因果发现不仅是特征选择手段，更是实现动态地球表面过程可解释模型的通路。
引用
@article{arxiv.2510.15265,
title = {Causal Time Series Modeling of Supraglacial Lake Evolution in Greenland under Distribution Shift},
author = {Emam Hossain and Muhammad Hasan Ferdous and Devon Dunmire and Aneesh Subramanian and Md Osman Gani},
journal= {arXiv preprint arXiv:2510.15265},
year = {2025}
}
备注
Accepted as full paper in ICMLA 2025 (Special Session 1: Deep Learning and Applications)