基于变分自编码器的地表生产力极端事件检测
机器学习
2025-10-07 v1 统计方法学
其他统计学
摘要
气候异常事件显著影响陆地碳循环动力学，亟需稳健的方法来检测和分析植被生产力中的异常行为。本研究提出了一种新颖的变分自编码器（VAE）用于从 Community Earth System Model version 2 模拟中识别美国四大 AR6 区域的 gross primary productivity（GPP）中的极端事件。我们将 VAE 基于异常检测的方法与传统的单一谱分析（SSA）方法进行比较，涵盖三个时期：1850-80 年、1950-80 年以及 2050-80 年 SSP585 场景下的情景。VAE 架构采用三个全连接层和长度为 12 个月的潜在空间，训练于归一化的 GPP 时间序列以重构 GPP，并基于重构误差识别异常。极端事件通过对 VAE 和 SSA 异常值施加 5 百分位阈值来定义。结果显示 VAE 与 SSA 方法在极端事件频率的空间模式上表现出强烈的区域一致性，尽管 VAE 产生的阈值更高（179-756 吨C 对应 VAE 与 100-784 吨C 对应 SSA）。两种方法均揭示了在 2050-80 年期间，负向碳循环极端事件的幅度和频率正在增加，尤其是在美国西部和中部地区。VAE 方法的表现与 established SSA 技术相当，同时具有计算优势和捕捉碳循环变异性中非线性时间依赖性的更强能力。与 SSA 不同，VAE 方法无需预先定义数据中信号的周期性，而是从数据中自主发现。
引用
@article{arxiv.2510.03266,
title = {Variational Autoencoders-based Detection of Extremes in Plant Productivity in an Earth System Model},
author = {Bharat Sharma and Jitendra Kumar},
journal= {arXiv preprint arXiv:2510.03266},
year = {2025}
}