Une méthode pour corriger des biais dans les prévisions de surface terrestre

MMarc

Des chercheurs présentent SSU-LSF, une méthode de désapprentissage automatique pour corriger les biais persistants que des événements confondants non stationnaires peuvent provoquer dans les modèles géoscientifiques Mamba à espace d’état, selon arXiv. Ces événements sont temporaires, mais leur influence peut perdurer dans les prévisions, même après que la situation qui les a provoqués a changé. Les auteurs citent notamment une hausse de l’irrigation qui n’a pas été enregistrée, un changement dans l’exploitation d’un barrage ou un recalibrage de capteur. Ces facteurs peuvent biaiser les prévisions de végétation, de température de surface terrestre et de phénologie des cultures, c’est-à-dire leurs étapes de développement au fil des saisons. Pour repérer l’influence du facteur confondant, la méthode utilise des fonctions EKFac adaptées aux matrices d’état des modèles Mamba. Un seuil fondé sur le rayon spectral sert à localiser dans le temps l’empreinte de ce facteur. SSU-LSF propose ensuite une ascension de gradient projetée pour le désapprentissage, sans calcul explicite de la Hessienne. Le cadre vise ainsi à retirer l’influence de ces événements dans les prévisions de surface terrestre, notamment lorsque les changements d’irrigation ou d’exploitation ne sont pas enregistrés. Les prévisions concernées portent sur le NDVI, la température de surface terrestre et la phénologie des cultures.