结合众包与深度学习探索浅对流的中尺度组织
大气与海洋物理
2020-04-22 v3 计算机视觉与模式识别
摘要
人类擅长检测图像中的有趣模式，例如卫星所拍摄的图像。此类轶事证据可促成新现象的发现。然而，往往难以收集足够多的主观特征数据以开展有意义的分析。本文给出一个近期广大研究者均可使用的两种工具——众包与深度学习——如何结合以大规模探索卫星影像的实例。具体而言，焦点在于信风区域浅积云对流的组织形态。浅云在地球辐射平衡中扮演重要角色，却在气候模式中表征不佳。本项目定义了四种主观组织模式：Sugar、Flower、Fish 与 Gravel。在两所机构的云标注日中，67 名科学家在众包平台上筛选了 10,000 张卫星图像，并对近 50,000 个中尺度云簇进行了分类。该数据集随后用作深度学习算法的训练集，使模式检测的自动化与四种模式的全球气候态构建成为可能。对地理分布与大尺度环境条件的分析表明，四种模式与已确立的组织模态（如开放与闭合细胞状对流）有一定重叠，但也存在重要差异。本项目的结果与数据集提示了有前景的研究问题。此外，本研究说明众包与深度学习在图像数据集探索中可良好互补。
引用
@article{arxiv.1906.01906,
title = {Combining crowd-sourcing and deep learning to explore the meso-scale organization of shallow convection},
author = {Stephan Rasp and Hauke Schulz and Sandrine Bony and Bjorn Stevens},
journal= {arXiv preprint arXiv:1906.01906},
year = {2020}
}