DroughtSet：通过时空学习理解干旱
机器学习
2024-12-20 v1
摘要
干旱是最具破坏性和昂贵的自然灾害之一，对自然资源和风险造成严重影响，导致水资源枯竭和农作物产量下降。随着气候变化，准确预测干旱对于减轻干旱引发的风险至关重要。然而，控制干旱的物理和生物驱动因素之间复杂的相互作用限制了干旱的可预测性和理解，尤其是在亚季节至季节（S2S）时间尺度上。虽然深度学习已在解决气候预测挑战方面 demonstrated 有潜力，但其应用于干旱预测的研究相对较少。本工作中，我们提出了新的数据集 DroughtSet，将整合多个遥感和再分析数据集中与干旱相关的预测特征和三个干旱指数，覆盖美国四大洲（CONUS）。DroughtSet 为机器学习社区提供了新的真实世界数据集，以基准测试干旱预测模型并更广泛地评估时间序列预测方法。此外，我们提出了时空模型 SPDrought 来预测和解释 S2S 干旾。该模型从物理和生物特征的时空信息中学习，以同时预测三种类型的干旱。采用多种策略来量化物理和生物特征对干旱预测的重要性。我们的结果为研究人员提供了洞察，帮助更好地理解干旱对生物和物理条件的可预测性和灵敏性。我们旨在通过提出新的工具来预测和理解干旱的发生，为人工智能社区提供新的基准，来研究深度学习在气候科学中的应用。
引用
@article{arxiv.2412.15075,
title = {DroughtSet: Understanding Drought Through Spatial-Temporal Learning},
author = {Xuwei Tan and Qian Zhao and Yanlan Liu and Xueru Zhang},
journal= {arXiv preprint arXiv:2412.15075},
year = {2024}
}
备注
Accepted by AAAI25