基于生成式AI的土地覆盖不透明性变化的空间扩散预测
机器学习
2025-08-15 v1 计算机视觉与模式识别
摘要
土地覆盖（现时和未来）对多个重要地球系统过程具有显著影响。例如，不透明表面会加热并加速地表径流，减少地下渗透，进而影响区域水文条件和洪涝风险。虽然区域地球系统模型在未来气候情景下具备越来越强的预测地球系统过程高分辨率水文和大气过程的能力，但我们在预测土地利用和土地覆盖变化（LULC）的能力仍滞后于这些情景的风险和后果评估所需的关键输入。本文提出了一种新范式，通过将LULC预测建模为条件于历史和辅助数据源的数据合成问题来实现。我们讨论了支撑研究前提的生成模型所需的理想属性，并通过在覆盖整个美国本州的历史数据上进行不透明性预测实验来证明方法的可行性。具体而言，我们训练了一个用于不透明性 decade 预测的扩散模型，并将其性能与假设无任何变化的基线进行比较。对于分辨率≥0.7×0.7km²的12个大都市区， held-out 年份的评估表明，我们的模型的平均绝对误差（MAE）低于该基线。这一发现证实了此类生成模型能够从历史数据中捕获对 projecting 未来变化具有重要意义的时空模式。最后，我们讨论了未来研究如何纳入关于地球物理属性的辅助信息，以及通过驱动变量实现不同情景的仿真。
引用
@article{arxiv.2508.10649,
title = {Geospatial Diffusion for Land Cover Imperviousness Change Forecasting},
author = {Debvrat Varshney and Vibhas Vats and Bhartendu Pandey and Christa Brelsford and Philipe Dias},
journal= {arXiv preprint arXiv:2508.10649},
year = {2025}
}