EarthNet2021：用于预测局地气候影响的新大规模数据集与挑战赛

气候变化是全球性的，但其具体影响在同一区域的不同地点间可能存在显著差异。季节性天气预报目前在中尺度（> 1 km）上运行。为实现更有针对性的减缓与适应，需要对 < 100 m 的影响进行建模。然而，在此类局地尺度上，驱动变量与地球表面之间的关系仍未被现有物理模型所解决。大型地球观测数据集使我们如今能够创建机器学习模型，将粗分辨率天气信息转换为高分辨率地球表面预报。在此，我们将高分辨率地球表面预报定义为以中尺度天气预报为条件的卫星影像视频预测。视频预测已通过深度学习模型加以解决。开发此类模型需要可直接用于分析的数据集。我们引入 EarthNet2021，一个新颖的精选数据集，包含分辨率为 20 m 的目标时空 Sentinel 2 卫星影像，并匹配高分辨率地形与中尺度（1.28 km）天气变量。其拥有超过 32000 个样本，适于训练深度神经网络。比较多重地球表面预报并非易事。因此，我们定义了 EarthNetScore，一种用于预报地球表面反射率模型的新型排序准则。为进行模型互比，我们将 EarthNet2021 构建为一个含四条基于不同测试集赛道的挑战赛。这些赛道可评估模型有效性、鲁棒性，以及模型对极端事件和完整年度植被周期的适用性。除通过卫星衍生植被指数直接预报可观测天气影响外，有能力的地球表面模型还将支持下游应用，如作物产量预测、森林健康评估、海岸线管理或生物多样性监测。数据、代码及参与方式见 www.earthnet.tech。