ClimateLearn：面向天气与气候建模的机器学习基准评测
机器学习
2023-07-06 v1 人工智能
摘要
对天气与气候进行建模，是理解气候变化近端与长期影响、并为适应与减缓行动的技术与 policymaking 提供信息的关键举措。近年来，应用基于机器学习的数据驱动方法求解天气预报与气候降尺度等核心问题，兴趣激增。尽管结果令人鼓舞，但由于缺乏大规模、开源的可复现努力，诸多进展受阻，导致领域科学家与人工智能研究者使用不一致或欠规范的数据集、训练设置与评估方式。我们推出 ClimateLearn，一个极大简化数据驱动气候科学中机器学习模型训练与评估的开源 PyTorch 库。ClimateLearn 包含用于数据集处理（如 ERA5、CMIP6、PRISM）、最先进深度学习模型（如 Transformers、ResNets）实现，以及标准天气与气候建模任务定量与定性评估的整体流水线。我们以详尽文档、贡献指南与快速入门教程补充这些功能，以扩大可及性并促进社区成长。我们还开展了全面的预报与降尺度实验，以展示本库的能力与关键特性。据我们所知，ClimateLearn 是首个将天气与气候建模研究与现代机器学习系统桥接的大规模开源努力。我们的库公开于 https://github.com/aditya-grover/climate-learn。
引用
@article{arxiv.2307.01909,
title = {ClimateLearn: Benchmarking Machine Learning for Weather and Climate Modeling},
author = {Tung Nguyen and Jason Jewik and Hritik Bansal and Prakhar Sharma and Aditya Grover},
journal= {arXiv preprint arXiv:2307.01909},
year = {2023}
}