比较数据驱动与机理模型在预测落叶阔叶林物候中的应用
机器学习
2024-01-09 v1
摘要
理解未来气候对于制定气候变化预防和缓解的明智政策至关重要。地球系统模型在预测未来气候中扮演重要角色，需要精确表示跨越多个时间尺度和空间尺度的复杂子过程。其中一个将季节性和年际气候变率与周期性生物事件联系起来的过程是落叶阔叶林的树木物候。物候日期，如生长季的开始和结束，对于理解生物圈与大气之间的碳和水交换至关重要。对这些日期进行机理预测具有挑战性。将数据驱动方法集成到复杂模型中的混合建模提供了一种解决方案。在这项工作中，作为迈向这一目标的第一步，我们训练了一个深度神经网络，从气象时间序列中预测物候指数。我们发现，这种方法优于传统的基于过程的模型。这凸显了数据驱动方法在改进气候预测方面的潜力。我们还分析了哪些变量和时间序列的哪些方面会影响预测的生长季开始时间，以便更好地理解我们模型的优势和局限性。
引用
@article{arxiv.2401.03960,
title = {Comparing Data-Driven and Mechanistic Models for Predicting Phenology in Deciduous Broadleaf Forests},
author = {Christian Reimers and David Hafezi Rachti and Guahua Liu and Alexander J. Winkler},
journal= {arXiv preprint arXiv:2401.03960},
year = {2024}
}