高解像度地理空間画像に基づくマイクロ気候予測のための空間認識深層学習

要旨: マイクロ気候モデルは気候を生態学的プロセスと結びつけるうえで不可欠であるが、ほとんどの物理ベースの枠組みは各空間単位ごとに温度を独立して推定し、水平的熱交換の単純化された表現に頼っている。その結果、周囲の環境条件が局所のマイクロ気候に影響を与える空間スケールは十分に定量化されていない。ここでは、リモートセンシングが空間的文脈がマイクロ気候の温度予測に寄与する度合いを定量化するのに役立つことを示す。畳み込みニューラルネットワークの原理に基づき、タスク特化型の深層ニューラルネットワークを設計し、入力データの空間的範囲を系統的に変化させた一連のモデルを訓練した。ドローン由来の空間レイヤーと気象データを用いて、焦点地点の地表温度を予測し、空間的文脈が増加するにつれて予測精度がどのように変化するかを直接評価した。我々の結果は、空間的に隣接する情報を取り込むことが予測精度を実質的に改善することを示しており、約5〜7 mの空間範囲を超えると予測精度の改善のリターンは鈍化する。この特徴的なスケールは、地表温度が局所的な表面特性だけでなく、隣接するマイクロ生息地を横断して作用する水平熱移動と放射相互作用にも影響を受けることを示している。空間効果の大きさは日中の時刻、マイクロ生息地タイプ、および局所的環境特性と体系的に変化し、文脈依存的な空間結合を浮き彫りにしている。深層学習を予測ツールとしてだけでなく診断ツールとして扱うことにより、我々のアプローチはマイクロ気候モデルにおける空間依存性を定量化し、空間相互作用を明示的に考慮しつつ物理的解釈性を維持するハイブリッド機械的-データ駆動型アプローチの開発を支援する、一般的で移植可能な方法を提供する。