使用预训练 Weather Transformer 的全球植被建模
机器学习
2024-03-28 v1
摘要
准确的植被模型可以进一步深入揭示植被活动与生态系统过程之间的复杂相互作用。先前的研究已经证实，温度和降水的长期趋势与短期变率会影响植被活动。受基于 Transformer 的深度学习模型在中期天气预报中取得成功的启发，我们采用公开可用的预训练 FourCastNet 来对植被活动进行建模，同时考虑气候变率的短期动态。我们研究了如何将大气状态的学习到的全局表示迁移到归一化植被指数（NDVI）的建模中。我们的模型在全球范围内以 \SI{0.25}{\degree} 的分辨率估算植被活动，且仅依赖气象数据。我们证明，与从头开始学习 NDVI 模型相比，利用预训练天气模型可以改善 NDVI 估算。此外，我们将我们的结果与机器学习和生态学文献中其他近期数据驱动的 NDVI 建模方法进行了比较。我们进一步提供了实验证据，说明需要多少数据和训练时间才能将 FourCastNet 转化为有效的植被模型。代码和模型将在发表后公开提供。
引用
@article{arxiv.2403.18438,
title = {Global Vegetation Modeling with Pre-Trained Weather Transformers},
author = {Pascal Janetzky and Florian Gallusser and Simon Hentschel and Andreas Hotho and Anna Krause},
journal= {arXiv preprint arXiv:2403.18438},
year = {2024}
}
备注
Tackling Climate Change with Machine Learning Workshop @ ICLR 2024