arXiv:2512.01917v2 cs.LG

다양한 생태계 전반에서 탄소 플럭스 예측을 위한 풋프린트 인지 고해상도 접근법

A Footprint-Aware, High-Resolution Approach for Carbon Flux Prediction Across Diverse Ecosystems

Jacob Searcy, Anish Dulal, Courtney Mathers, Scott Bridgham, Ashley Cordes, Lillian Aoki, Brendan Bohannan, Qing Zhu, Lucas C. R. Silva

제출 2025-12-01

저자 비고

arXiv Comments

31 pages, 9 Figures

한국어 초록

에디 공분산(Eddy-covariance, EC) 플럭스 타워는 $CO_2$ 플럭스의 현장(in situ) 측정을 제공하며, 위성 산출물로부터 유도된 예측 '업스케일링(upscaling)' 모델의 정답(ground-truth) 데이터 역할을 합니다. 그러나 현재 많은 위성은 EC 타워의 풋프린트(footprint)보다 작은 공간적 규모를 분해할 수 있습니다. 본 연구에서는 이질적인 경관에서 고해상도 데이터로 학습된 업스케일링 모델이 픽셀 수준 예측 변수의 바이어스(bias)를 피하기 위해 EC 타워의 풋프린트를 고려해야 함을 이론적으로 보입니다. 이러한 문제를 해결하기 위해, 공간적 풋프린트와 $CO_2$ 플럭스의 픽셀 수준 추정치를 동시에 예측하는 딥러닝 프레임워크인 FAR(Footprint-Aware Regression)을 소개하며, 충분한 학습 데이터가 주어질 때 편향 없는 픽셀 수준 예측을 산출함을 보입니다. 205 사이트-년(site-years)의 타워 데이터와 상응하는 Landsat 장면을 결합한 AMERI-FAR25 데이터셋에서 FAR을 실증하고, FAR이 풋프린트를 인지하지 않는 모델보다 우수한 성능을 보임을 제시합니다. FAR은 보류된 사이트 데이터셋에서 최고의 고정 풋프린트 기준선(baseline) 대비 30분 단위 $R^2$를 약 0.575에서 0.634로 증가시켰고 RMSE를 약 7% 감소시켰습니다. 더 거친 990 m 기준선과 비교했을 때 월별 및 연별 평균에서 성능 향상이 더 큽니다. 사이트 수준 분석은 이러한 성능 향상이 여러 생태계 유형에 걸쳐 확장됨을 보여줍니다. 이러한 성능 향상은 방법 간 풋프린트 크기의 상당한 변동에도 불구하고, 풋프린트를 공동으로 학습하든 기존 풋프린트 모델을 사용하여 독립적으로 추정하든 상관없이 관찰됩니다. 웨스턴 캐스케이드(Western Cascades) 지역에 대한 지역적 비교에서 FAR은 기존 고해상도 공정 기반 모델과 필적하는 분포의 플럭스 추정치를 산출합니다.

원문 초록

Eddy-covariance (EC) flux towers provide in situ measurements of $CO_2$ flux and serve as the ground-truth data for predictive `upscaling' models derived from satellite products. However, many satellites now resolve spatial scales smaller than an EC tower's footprint. We show theoretically that upscaling models trained on high-resolution data in heterogeneous landscapes must account for an EC tower's footprint to avoid bias in pixel-level predictors. To address this problem, we introduce Footprint-Aware Regression (FAR), a deep-learning framework that simultaneously predicts spatial footprints and pixel-level estimates of $CO_2$ flux, and show it yields unbiased pixel-level predictions given sufficient training data. We demonstrate FAR on our AMERI-FAR25 dataset, which combines 205 site-years of tower data with corresponding Landsat scenes, and show that FAR outperforms non-footprint-aware models. FAR increased half-hourly $R^2$ from approximately 0.575 to 0.634 and reduced RMSE by about 7% relative to the best fixed-footprint baseline on a dataset of withheld sites. Gains are larger for monthly and yearly averages relative to a coarser 990 m baseline. Site-level analyses show that these gains extend across multiple ecosystem types. These performance gains are observed whether footprints are learned jointly or estimated independently using an established footprint model, despite substantial variation in footprint size between methods. In a regional comparison over the Western Cascades, FAR produces flux estimates with a distribution comparable to that of existing high-resolution process-based models.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2512.01917v2

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2610.13406v1eess.IV공통 태그 Time Series Forecasting, remote sensing

반건조 지역의 사막화 예측: 심층 학습을 이용한 토지 황폐화 역학의 관측 가능성 한계 탐구

Desertification Forecasting in Semi-Arid Regions: Using Deep Learning to Probe the Observability Limits of Land Degradation Dynamics

사막화 예측은 그 지도화(mapping)에 비해 훨씬 적은 관심을 받아왔다. 본 연구는 브라질의 반건조 주(州)인 세아라(Ceará)를 대상으로, 약 2.2km 해상도의 256x206 그리드 상에서 2000-2023년의 10개 연간 지구관측(EO) 변수로 학습된 합성곱 LSTM(ConvLSTM)을 사용하여, MapBiomas 기반 황폐화 지수(IDV)의 연간 변화 중 얼마나 많은 부분이 위성 데이터로부터 예측 가능한지를 측정한다. 이 네트워크는 마지막으로 관측된 상태에 더해지는 한정된(bounded) 변화를 예측하며, 두 단계(단일 스텝, 이후 재귀적 롤아웃)로 학습되고, 연속된 공간 및 시간 홀드아웃에서 평가된다. 주 전체의 평균 IDV는 2000년 0.238에서 2023년 0.350으로 상승했으며, 이는 연간 약 0.005에 해당하지만, 셀 단위 변화는 연도별 급변(jump)이 지배적이며, 모든 채널을 입력받은 그래디언트 부스팅 모델도 그 분산의 4.7%만을 설명한다. 이러한 한계(ceiling)를 기준으로, ConvLSTM은 지속성(persistence) 대비 RMSE를 1년 예측 시 1.6%, 4년 예측 시 4.4% 낮추며(보류된 남부 지역에서 p < 0.001), 일정한 추세(drift)를 갖는 지속성 모델을 능가하고 지역 추세(drift)의 53-69%를 재현한다. 추세를 고려한(drift-aware) 베이스라인은 3년차부터만 도움이 되며, 6년 시점에서 RMSE 기준 최대 4.4% 개선된다. 매년 전체 필드를 새로 그리는 이전 방식은 관측된 변화와 무관한 변화를 예측했으며(상관계수 -0.06), 재귀적으로 실행할 경우 허구적인(spurious) 감소를 만들어냈다. 채널 제거(knockout) 실험에 따르면 고도(elevation)와 EVI는 예측을 저하시키는 반면, 경사(slope)와 방위(aspect)는 측정 가능한 영향이 없었다. 몬테카를로 드롭아웃과 확률적 시나리오 지도는 기대값 예측이 감추고 있는 불확실성을 전달한다. 기후학적 강제력(climatological forcing) 하에서, 평균 IDV는 2023년 0.350에서 2030년 0.370으로 상승한다. 따라서 EO 기반 사막화 예측은 지역적 추세에 대해서는 신뢰할 수 있지만, 개별 셀에 대해서는 신뢰할 수 없다.

arXiv:2608.09972v2physics.ao-ph공통 태그 regression, Time Series Forecasting

AI 기상 모델은 극값을 놓치는가?

Do AI weather models miss extremes?

AI 기상 모델은 극값(extremes)을 과소평가한다고 자주 보고되지만, 대부분의 증거는 재분석 자료를 기준으로 검증된 결정론적 회귀 모델에 해당합니다. 본 연구에서는 10개월간의 유럽 관측소 데이터를 활용하여 ECMWF IFS와 비교하며 12개의 물리적 및 AI 예측 모델을 평가(evaluation)합니다. 이번 평가는 고정된 ERA5 1991-2020 기후학에서 정의된 체제 내에서 10m 풍속, 2m 기온, 태양 복사, 강수량을 다룹니다. 연구 결과, 꼬리(tail) 영역에서 AI 모델 고유의 일관된 성능 저하는 발견되지 않았습니다. 여러 AI 모델은 극한 조건에서도 IFS보다 더 높은 정확도를 유지한 반면, 다른 모델들은 현저히 저하되었으며, 물리적 모델들 사이에서도 이와 유사한 편차가 나타났습니다. 그럼에도 불구하고 모든 모델은 낮은 관측치는 과대예측하고 높은 관측치는 과소예측하는 공통적인 조건부 오차 패턴을 보입니다. 따라서 극값의 감쇠가 상대적 기술 점수(relative skill)의 일률적인 손실을 의미하는 것은 아닙니다. 꼬리 영역의 성능은 예측이 AI에 의해 생성되었는지 혹은 물리적 수치 모델링에 의해 생성되었는지보다는 모델, 변수 및 평가 환경에 따라 달라집니다.

arXiv:2610.02397v1cs.LG공통 태그 regression, Time Series Forecasting

미국 건물 계량기 데이터 기반 AI 수요 예측을 위한 검증된 데이터 온보딩: 설계, 통제 평가, 그리고 수정된 네거티브 결과

Validated Data Onboarding for AI Demand Forecasting on U.S. Building Meter Data: Design, Controlled Evaluation, and a Corrected Negative Result

전력 유틸리티(electric utility)와 그리드 운영자(grid operator)는 다음날 수요를 예측하기 위해 머신러닝 모델에 점점 더 의존하고 있으며, 이러한 모델은 일상적으로 결함이 있는 계량기 데이터로부터 학습한다: 측정값이 누락되거나, 센서가 멈추거나(freeze), 건물이 수 시간 동안 0으로 기록되거나, 단위가 100배 차이로 바뀌는 경우가 있다. 이 보고서는 모델을 학습시키기 전에 이러한 결함을 탐지하고 복구하는 데이터 온보딩(data-onboarding) 파이프라인을, 예측 시점에 실제로 사용 가능한 정보만을 이용해 제시하며, 이 파이프라인이 24시간 선행 예측(24-hour-ahead forecast)을 보호하는지를 측정하는 통제 실험(controlled experiment)을 함께 제시한다. 공개된 Building Data Genome 2 데이터셋(210,528행, 2016-2017년)에서 추출한 미국 12개 건물의 시간별 전력 데이터에서, 학습 기간의 0.10%에 영향을 미치는 시드(seeded) 처리되고 해시 로그(hash-logged)된 결함은 그래디언트 부스팅(gradient-boosting) 예측기의 오차를 86% 증가시켰다; 탐지 및 과거 데이터만을 이용한 복구(past-only repair) 이후 오차는 정상 데이터 수준으로 돌아왔다(평균 절대 스케일 오차(mean absolute scaled error) 정상 0.760, 오염 1.415, 복구 0.729이며, 학습 타깃의 93%가 보존됨). 공개된 현장 연구(field study)에 맞춰 보정된 결함 발생률(학습 행의 1.6%)에서는, 보호되지 않은 예측기의 오차가 계절성 단순(seasonal-naive) 규칙의 4.4배에 달했으며, 복구된 예측기는 다시 정상 기준선(clean baseline)과 일치했다. 동일한 패턴이 릿지 회귀(ridge regression)와 랜덤 포레스트(random forest)에서도, 그리고 1시간부터 24시간까지의 예측 구간(horizon)에서도 유지되었다. 파이프라인의 초기 버전은 자연 발생 데이터(natural data)를 과도하게 정제(over-clean)하여 예측을 25% 악화시켰다; 이 결과는 그대로 유지되며, 그 원인은 공개된 아티팩트(artifact)에서 추적되고, 이를 수정하는 건물별(per-building) 보정은 날짜가 기록된 수정안(dated amendment)으로 문서화되어 있다. 모든 수치는 고정된(pinned) 공개 입력 데이터로부터 SHA-256 검증, 84개의 자동화된 테스트, 지속적 통합(continuous integration)을 통해 재현 가능하다.

arXiv:2609.06080v2cs.LG공통 태그 regression, Time Series Forecasting

PhenoBench: 심층 표현형 분석 코호트가 밝혀낼 수 있는 정보의 지도화

PhenoBench: Mapping What a Deeply Phenotyped Human Cohort Can Tell Us

심층 표현형 분석(deeply phenotyped) 코호트는 수초에서 수년에 이르는 시간 척도 전반에 걸쳐 임상, 영상, 분자 및 웨어러블 관측 데이터를 통합하지만, 이질적인 분석 결과들을 직접 비교하기는 어렵습니다. 본 논문에서는 심층 표현형 측정값을 명시적인 질문으로 변환하고 정보 출처 및 예측 모델 간의 제어된 비교를 수행하는 실행 가능한 벤치마크인 PhenoBench를 제시합니다. 이는 초기 방문 시점 기준 13,000명 이상의 참가자를 보유한 Human Phenotype Project를 기반으로 구축되었습니다. 각 질문은 목표, 대상 집단, 시점, 허용된 정보를 고정하며, 평가 계약(evaluation contract)은 분할(split), 지표(metric), 기준선(baseline), 주장 경계를 명시합니다. PhenoBench는 15개 도메인과 26개 입력 모달리티에 걸쳐 임상에 기반한 90개 태스크를 정의합니다. 52개 태스크에 걸친 160건의 매칭된 회귀 비교 전반에서, 제한된 튜닝을 적용한 고정 단일 추정기 프로토콜 하에 6개의 사전학습(pre-training)된 정형(tabular) 모델이 XGBoost 및 CatBoost를 포함하여 평가된 태스크별 기준선을 상회하는 순위를 기록했습니다. 각 태스크에 동일한 가중치(weight)를 부여했을 때, 릿지(ridge) 대비 이들의 평균 이점은 0.0103 $R^2$(95% 태스크 부트스트랩 구간, 0.0071-0.0136)였습니다. 또한 표현형 복구, 분류(classification), 후속 예측, 참가자 순위 지정을 아우르는 40개 태스크를 종합적으로 포괄하는 14개의 언어 모델을 평가했습니다. 코호트별 적합(fitting) 없이 언어 모델은 일부 태스크에서 유의미한 예측을 산출했으나 태스크별 역량 격차와 스케일(scale)에 따른 공통된 실패를 보였으며, 동일한 입력 필드에 적합된 태스크별 릿지 또는 로지스틱 회귀 모델을 능가하는 경우는 드물었습니다. PhenoBench는 기존 비교를 재정의하지 않고도 새로운 질문, 측정값, 모델을 추가할 수 있는 버전 관리 및 감사 가능한 평가 시스템을 제공합니다.

arXiv:2609.27912v1cs.LG공통 태그 regression, Time Series Forecasting

글로벌 트리 예측 모델은 계층적 집계 수준에서 붕괴한다: 다섯 개 패널에 대한 실패 특성 분석

Global tree forecasters collapse at the hierarchical aggregate: a five-panel failure characterization

글로벌 예측 모델(global forecasting model)은 다수의 시계열을 풀링(pooling)하여 하나의 공유 함수를 학습한다. 그래디언트 부스팅 트리(Gradient-boosted trees)가 가장 널리 쓰이는 형태이다. 본 연구는 우리가 아는 한 아직 문서화된 적 없는 이 설계의 실패를 측정한다. 계층 구조의 개별 시계열로 글로벌 트리를 학습시킨 뒤 계층적 집계값(hierarchical aggregate)에 대한 예측을 요청하면, 집계값은 모델의 학습 범위를 크게 벗어나 있어 예측이 붕괴한다. 이 모델은 실제 운영 환경에서 총합을 30~50배 과소 예측하며, 공개 M5 재구성 데이터에서는 최대 496배까지 과소 예측한다. 그 메커니즘은 이미 알려져 있다. 트리는 학습 범위를 벗어나면 상수를 예측한다. 이것이 집계 수준에서 나타나는 이유는 총합이 모든 학습 시계열을 압도하기 때문이다. 해결책 또한 새로운 것이 아니다. Montero-Manso와 Hyndman(2021)이 권장하는 전처리 단계인 시계열별 스케일링(per-series scaling)은 붕괴를 방지한다. 가중치를 부여한 집계 수준 학습 행(weighted aggregate-level training row)과 계절 차분(seasonal differencing) 역시 마찬가지이다. 본 연구의 기여는 이 현상의 특성 분석에 있다. 붕괴는 운영 중인 기업 간 거래(B2B) 마켓플레이스, 합성 계층 구조, M5, Australian Tourism, 공개 비즈니스 구매자 패널이라는 다섯 개 패널에서 재현된다. 이는 세 가지 트리 라이브러리에서 성립하고, 학습 시드(seed)에 관계없이 일정하며, 통계적으로 유의하다. 붕괴는 즉각적으로 시작되며 단순한 지지 범위(support) 한계를 따른다. 스케일 격차가 겨우 1.15배만 되어도 이미 총합의 3분의 1을 잃는다. 표준적인 설정 변경으로는 이를 막을 수 없다. 모든 계층 수준을 학습에 풀링하는 방식은 대규모에서 실패하며, 리프(leaf)에 선형 모델을 적합하는 유일한 설정 옵션은 붕괴를 완화하지만 해소하지는 못한다. 예측을 재귀적으로 앞으로 굴리는(rolling forward) 실험은 해결책들을 구분해 준다. 집계 행 방식은 다시 붕괴하고, 시계열별 스케일링은 성능이 저하되지만 낮은 수준에 머물며, 오직 계절 차분만이 1단계(one-step) 예측 정확도를 그대로 유지한다. 마지막으로 운영 중인 시스템에서 이 실패를 진단하고 예방하기 위한 3단계 절차를 제시한다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.