深度卷积神经网络在气候数据集极端天气检测中的应用
计算机视觉与模式识别
2016-05-05 v1
摘要
在大型数据集中检测极端事件是气候科学研究中的一大挑战。当前的极端事件检测算法建立在人类专业知识基础上，依据相关物理变量的主观阈值来定义事件。通常，多种相互竞争的方法在同一数据集上产生截然不同的结果。在气候模拟和观测数据档案中准确刻画极端事件，对于理解气候变化背景下此类事件的趋势和潜在影响至关重要。本研究提出了深度学习技术作为气候极端事件检测替代方法的首次应用。深度神经网络能够从标记数据中学习广泛模式的高层表示。在这项工作中，我们开发了深度卷积神经网络(CNN)分类系统，并展示了深度学习技术解决气候模式检测问题的有用性。结合基于贝叶斯的超参数优化方案，我们的深度CNN系统在检测极端事件（热带气旋、大气河流和天气锋 达到89\%-99\%的准确率。
引用
@article{arxiv.1605.01156,
title = {Application of Deep Convolutional Neural Networks for Detecting Extreme Weather in Climate Datasets},
author = {Yunjie Liu and Evan Racah and Prabhat and Joaquin Correa and Amir Khosrowshahi and David Lavers and Kenneth Kunkel and Michael Wehner and William Collins},
journal= {arXiv preprint arXiv:1605.01156},
year = {2016}
}