Core Concepts
Durch Feinabstimmung eines vortrainierten Wettervorhersagemodells kann die Vegetationsaktivität auf globaler Ebene effektiv aus Wetterdaten modelliert werden.
Abstract
In dieser Studie wurde untersucht, wie ein vortrainiertes Wettervorhersagemodell, FourCastNet, für die globale Modellierung des Normalized Difference Vegetation Index (NDVI) als Maß für die Vegetationsaktivität angepasst werden kann.
Die Ergebnisse zeigen, dass die Feinabstimmung des vortrainierten Modells die Leistung im Vergleich zum Training von Grund auf verbessert. Das feinabgestimmte Modell erreicht einen globalen durchschnittlichen R2-Wert von 0,6331, was besser ist als ein speziell optimiertes CNN-Basismodell.
Im Vergleich zu anderen datengetriebenen Ansätzen aus der Literatur zeigt sich, dass das globale Modell die NDVI-Dynamik in verschiedenen Biomen gut erfassen kann, mit Ausnahme der borealen Wälder und Tundren. Weitere Analysen zeigen, dass eine moderate Anzahl an Feinabstimmungsschritten und Trainingsdaten ausreichen, um das Wettermodell effektiv für die Vegetationsmodellierung zu nutzen.
Insgesamt demonstriert diese Studie, dass die Übertragung des in Wettervorhersagemodellen erlernten Wissens über die Atmosphäre die Modellierung der globalen Vegetationsaktivität verbessern kann. Zukünftige Arbeiten könnten weitere relevante Variablen wie Kohlendioxid oder Bodeneigenschaften integrieren, um das Verständnis der komplexen Wechselwirkungen zwischen Umweltfaktoren und Ökosystemen zu vertiefen.
Stats
Die Vegetationsaktivität kann zu 63,31% durch die Wettervariablen erklärt werden.
Die Vegetationsaktivität kann mit einem RMSE von 0,0403 geschätzt werden.
Quotes
"Durch Feinabstimmung des vortrainierten Wettermodells kann die Leistung bei der globalen Vegetationsmodellierung im Vergleich zum Training von Grund auf deutlich verbessert werden."
"Das globale Modell erfasst die NDVI-Dynamik in verschiedenen Biomen gut, mit Ausnahme der borealen Wälder und Tundren."