卷积神经网络应用于时空气候数据的测试用例：重新识别聚类天气型
大气与海洋物理
2020-03-03 v1 计算机视觉与模式识别
机器学习
摘要
卷积神经网络（CNNs）有潜力为气候和环境数据中的模式分类与识别提供强大工具。然而，由于此类数据固有的复杂性（通常为时空、混沌且非平稳），CNN 算法必须针对每个特定数据集和应用进行设计/评估。但首先，作为监督技术的 CNN 需要大型标注数据集。标注需要（人类）专家时间，加上该领域相关样本数量有限，可能会阻碍在新问题中使用 CNN。为应对这些挑战，本文中我们（1）提出一种基于无监督聚类算法并评估 CNN 重新识别这些聚类性能的有效的自动标注策略；（2）使用该方法在完全耦合气候模型输出中对北美上空数千个每日大尺度天气型进行标注，并展示 CNN 重新识别 4 个聚类模态的能力。每个聚类用 个或更多样本训练的深度 CNN 准确率达到 或更高。准确率随训练集大小单调但非线性地提升，例如每个聚类用 个训练样本时达到 。我们考察并讨论了网络结构与超参数对 CNN 性能的影响。
引用
@article{arxiv.1811.04817,
title = {A test case for application of convolutional neural networks to spatio-temporal climate data: Re-identifying clustered weather patterns},
author = {Ashesh Chattopadhyay and Pedram Hassanzadeh and Saba Pasha},
journal= {arXiv preprint arXiv:1811.04817},
year = {2020}
}