En breve
Proyectar las concentraciones globales de dióxido de carbono y metano a seis meses vista requiere integrar observaciones por satélite con covariables ambientales dinámicas y estáticas. Modelar el sistema de monitorización planetario mediante redes neuronales de grafos espacio-temporales supera a los enfoques exclusivamente temporales, demostrando el valor de representar explícitamente la conectividad espacial global en los gases de efecto invernadero.
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
Modelos y métodos
- Graph neural networks
- Spatiotemporal deep learning
Datos y evaluación
- Global satellite observations
- Dynamic environmental variables
- Static environmental variables
Resumen del autor
Resumen del artículo
This research compares deep-learning strategies for six-month global forecasts of carbon dioxide and methane concentrations. The models combine satellite observations with dynamic and static environmental variables and represent measurements distributed across the planet. The comparison tests how temporal learning and an explicit spatial graph contribute to prediction quality. Graph-neural approaches obtain the strongest overall results, indicating that global relationships between observation locations add useful information beyond temporal and contextual inputs alone. The study demonstrates a practical route for integrating heterogeneous environmental information into global greenhouse-gas forecasting.
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 para verificar los datos finales de volumen y páginas antes de citar.