基于集成时间序列和静态数据的干旱预测混合神经网络架构
机器学习
2025-04-09 v1
摘要
可靠的预测对于早期预警系统和自适应干旱管理至关重要。大多数先前的深度学习方法仅关注单一同构区域, 并依赖单一结构数据。本文提出了一种混合神经网络架构, 集成时间序列和静态数据, 在 DroughtED 数据集上实现了最先进的性能。我们的结果说明了在气候相关任务中设计神经模型处理异构数据的潜力, 并对 USDM 类别进行可靠预测，这是一种由专家提供的干旱指标。此外, 本工作验证了 DroughtED 用于启用深度学习模型位置无关训练的潜力。
引用
@article{arxiv.2504.05957,
title = {Drought forecasting using a hybrid neural architecture for integrating time series and static data},
author = {Julian Agudelo and Vincent Guigue and Cristina Manfredotti and Hadrien Piot},
journal= {arXiv preprint arXiv:2504.05957},
year = {2025}
}
备注
10 pages, 3 figures, published as a workshop paper at Tackling Climate Change with Machine Learning at ICLR 2025, Tackling Climate Change with Machine Learning is a non-archival workshop