Multimodal Deep Learning for Carbon Flux Modelling

Les flux de carbone terrestre fournissent des informations vitales sur la santé de notre biosphère et sur sa capacité à absorber les émissions anthropiques de CO2. L’importance de la prévision des flux de carbone a conduit à l’émergence du domaine de la modélisation des flux de carbone guidée par les données (DDCFM), qui utilise des techniques statistiques pour prévoir les flux de carbone à partir de données biophysiques. La DDCFM permet aux chercheurs de produire des cartes globales de l’activité photosynthétique et respiratoire, mais elle est freinée par des modèles d’apprentissage automatique dépassés qui ne peuvent pas tirer parti de la multimodalité des données biophysiques. Dans cette thèse, nous présentons deux avancées significatives pour la DDCFM : Carbon- Sense, un ensemble complet de données multimodales, et EcoPerceiver, une architecture neuronale multimodale profonde. Nous menons des expériences approfondies comparant EcoPerceiver à un modèle de référence de pointe utilisant CarbonSense comme ensemble d’entraînement. Nos résultats démontrent qu’EcoPerceiver est toujours plus performant que le modèle de référence dans une large gamme de types d’écosystèmes, soulignant le potentiel de l’apprentissage multimodal profond pour faire progresser la DDCFM. En publiant à la fois l’ensemble de données et le modèle, nous visons à fournir une base solide pour la recherche future et à encourager l’innovation dans ce domaine.

Abstract

Terrestrial carbon fluxes provide vital information about our biosphere’s health and its capacity to absorb anthropogenic CO2 emissions. The importance of predicting carbon fluxes has led to the emerging field of data-driven carbon flux modelling (DDCFM), which uses statistical techniques to predict carbon fluxes from biophysical data such as meteorological and soil variables. DDCFM allows researchers to produce global maps of photosynthetic and respiratory activity, but it is held back by the use of dated machine learning techniques such as decision tree models which cannot capitalize on the multimodality of the biophysical data. In this thesis, we present two significant advancements for DDCFM: CarbonSense, a comprehensive multimodal dataset, and EcoPerceiver, a deep multimodal neural architecture. We conduct extensive experiments comparing EcoPerceiver to a baseline state-of-the-art model using CarbonSense as a training set. Our results demonstrate that EcoPerceiver consistently outperforms the baseline across a wide range of ecosystem types, highlighting the potential of multimodal deep learning to drive advances in DDCFM. By releasing both the dataset and the model, we aim to provide a robust foundation for future research and encourage further innovation in this field.