基于多尺度多时相深度学习的高分辨率热浪对叶面积指数影响预报
种群与进化
2019-09-18 v1 机器学习
摘要
气候变化的影响可能导致作物品质与产量逐步下降，直至绝收。特别是热浪及其他极端气候事件可引发局部粮食短缺，甚至威胁全球社区的粮食安全。在本研究中，我们应用一种深度学习架构对叶面积指数 (LAI) 进行高分辨率（300 m，10 天）预报，其动态已被广泛用于刻画作物生长阶段及热浪影响。LAI 模型可在 0.1 度空间分辨率下计算，带有根据天气条件调整的自回归分量，并经遥感测量验证。然而在该尺度（阿尔卑斯纬度下约 8 km）下，模型在地形形态多变区域的可操作性较差。我们的深度学习模型旨在通过训练来自 Copernicus Global Land Service (CGLS) 项目的全欧洲 300 m 分辨率多尺度多时相 (MSMT) 数据以及中分辨率历史天气数据来预报 LAI。此外，深度学习模型输入整合了高分辨率地表特征，已知其可改善农业生产力预报。随后将历史天气数据替换为预报值，以预测欧洲范围内 10 天尺度的 LAI 值。我们提出 MSMT 模型以构建高分辨率作物专用预警系统，从而减轻热浪及其他极端事件的损害。
引用
@article{arxiv.1909.07786,
title = {High Resolution Forecasting of Heat Waves impacts on Leaf Area Index by Multiscale Multitemporal Deep Learning},
author = {Andrea Gobbi and Marco Cristoforetti and Giuseppe Jurman and Cesare Furlanello},
journal= {arXiv preprint arXiv:1909.07786},
year = {2019}
}