MIRANDA: 面向气候变化鲁棒生态预测的基于深度学习的 MId-feature RANk-对抗域自适应方法
机器学习
2026-04-02 v1
摘要
植物物候建模旨在从气象时间序列中预测季节性阶段（如展叶或开花）的时机。可靠的预测对于预判生态系统对气候变化的响应至关重要。虽然物候建模传统上依赖机械论方法，但深度学习方法近期被提出作为灵活、数据驱动的替代方案，往往具有更优性能。然而，当气候变暖引发数据分布偏移时，机制模型往往优于深度网络。域自适应(DA)技术可以帮助解决这一局限。但与标准 DA 设置不同，气候变化会引发域的时序连续体，并涉及协变量偏移和标签偏移，表现为更暖的记录和春季更早开始。为应对这一挑战，我们提出了 mid-feature RANk-对抗域自适应(MIRANDA)。传统对抗方法在最终潜在表征上强制域不变性，但该方法未显式处理标签偏移；我们对中间特征施加对抗正则化。此外，我们采用基于排序的目标替代二元域分类目标，以强制学习到的气象表征具有年份不变性。在覆盖 70 年、包含 5 个树种共 67,800 条物候观测的国家尺度数据集上，我们证明，与传统 DA 方法不同，MIRANDA 提高了对气候分布偏移的鲁棒性，并缩小了与机制模型的性能差距。
引用
@article{arxiv.2604.00800,
title = {MIRANDA: MId-feature RANk-adversarial Domain Adaptation toward climate change-robust ecological forecasting with deep learning},
author = {Yuchang Jiang and Jan Dirk Wegner and Vivien Sainte Fare Garnot},
journal= {arXiv preprint arXiv:2604.00800},
year = {2026}
}
备注
EarthVision CVPRW 2026