Climplicit：面向全球生态任务的气候隐式嵌入

气候数据上的深度学习在宏观生态应用方面具有巨大潜力。然而，由于存储、计算和技术专业知识的壁垒，其在深度学习社区之外的科学家中采用仍然有限。为了解决这一问题，我们引入了 Climplicit，这是一种经过预训练的时空地理定位编码器，旨在生成地球上任意位置的隐式气候表示。通过绕过下载原始气候栅格和训练特征提取器的需求，我们的模型使用的磁盘空间减少了 3500 倍，并显著降低了下游任务的算力需求。我们在生物群系分类、物种分布建模和植物性状回归上评估了我们的 Climplicit 嵌入。我们发现，对 Climplicit 嵌入进行单层探测，在下游任务上的表现始终优于或等同于从头训练模型，且总体上优于其他地理定位编码模型。