En breve
Esta investigación evalúa estrategias de aprendizaje profundo para predecir concentraciones globales de dióxido de carbono y metano a seis meses usando datos satelitales y ambientales.
Contribución
Una comparación global de predicción espacio-temporal que integra observaciones por satélite con variables ambientales dinámicas y estáticas.
Resultado principal
Las redes neuronales de grafos obtuvieron los mejores resultados, mostrando el valor de representar explícitamente las relaciones espaciales globales.
Modelos y datos
Elementos distintivos
- Graph neural networks
- Spatiotemporal deep learning
- Global satellite observations
- Dynamic environmental variables
- Static environmental variables
Citar este trabajo
BibTeX
@article{semper2024global,
title = {Global forecasting of carbon concentration through a deep learning spatiotemporal modeling},
author = {Marc Semper and Manuel Curado and Jose F. Vicent},
journal = {Journal of Environmental Management},
year = {2024},
volume = {371},
eid = {122922},
doi = {10.1016/j.jenvman.2024.122922}
}Comprueba siempre el registro editorial antes de citar.