利用 Temporal Fusion Transformer (TFT) 升尺度全球小时级 GPP
机器学习
2023-06-27 v1
摘要
总初级生产力（GPP）的可靠估算对评估气候变化行动至关重要，目前仅能从稀疏分布的涡动相关塔站获取。这一限制阻碍了对区域到全球尺度可靠 GPP 量化的获取。先前关于将原位 GPP 升尺度至全球无缝制图且时间步长小于日尺度的机器学习研究面临诸多局限，例如缺乏更高时间分辨率的输入特征以及显著的缺失值。本研究探索了一种不依赖过去 GPP 时间序列、使用 Temporal Fusion Transformer (TFT) 的新颖升尺度方案。模型开发辅以随机森林回归器（RFR）和 XGBoost，随后采用 TFT 与树算法的混合模型。性能最佳的模型取得了 0.704 NSE 和 3.54 RMSE 的模型表现。本研究的另一贡献是基于时间和通量塔站对编码器特征重要性进行的分解分析。该分析增强了多头注意力层的可解释性，以及对有影响特征时间动态的可视化理解。
引用
@article{arxiv.2306.13815,
title = {Upscaling Global Hourly GPP with Temporal Fusion Transformer (TFT)},
author = {Rumi Nakagawa and Mary Chau and John Calzaretta and Trevor Keenan and Puya Vahabi and Alberto Todeschini and Maoya Bassiouni and Yanghui Kang},
journal= {arXiv preprint arXiv:2306.13815},
year = {2023}
}
备注
Accepted Oral Presentation at CVPR 2023 MultiEarth Workshop