气候深度聚类：通过学习的分类状态分析气候互联
机器学习
2026-04-28 v1
摘要
理解和表征复杂气候变率对于科学分析和预测建模至关重要。然而，从原始变量中识别有意义的气候状态具有挑战性，因为它们表现出较高的噪声和非线性依赖。本文探索了使用掩码单子网络将气候时间序列离散化为语义丰富聚类的方法。我们聚焦于日最低和最高气温，结果表明：（i）所得表示的聚类反映我们建模假设下的有意义气候状态，为下游任务提供简化表示；（ii）能够对特定气候情景进行采样和分析；（iii）与厄尔尼诺事件具有统计关联，凸显其科学相关性。我们的发现突显了自监督离散化作为气候数据分析工具的潜力，并为未来工作中纳入更丰富气候指标的可能性打开了大门。
引用
@article{arxiv.2604.22909,
title = {Deep Clustering for Climate: Analyzing Teleconnections through Learned Categorical States},
author = {Lívia Meinhardt and Dário Oliveira},
journal= {arXiv preprint arXiv:2604.22909},
year = {2026}
}