评估气候降尺度深度学习模型的损失函数与学习数据预处理
机器学习
2023-06-21 v1 大气与海洋物理
摘要
随着深度学习模型在计算机视觉及其他领域的成功，其在气候科学中日益流行。例如，受图像超分辨率模型启发，研究者越来越多地采用深度学习技术进行气候数据降尺度。然而，图像数据与气候数据之间存在显著差异。图像数据通常落于特定范围（如[0, 255]）且呈现相对均匀或正态分布，而气候数据可能具有任意数值范围与高度不均匀的分布，例如降水数据。这种非均匀分布给直接将现有计算机视觉模型应用于气候科学任务带来了挑战。迄今为止，极少有研究解决该问题。在本研究中，我们探讨了在气候降尺度背景下，损失函数与非线性数据预处理方法对深度学习模型的影响。我们以气候降尺度实验为例评估这些因素。我们的发现表明，L1损失与L2损失在温度等较均衡的数据上表现相似，而在降水等不平衡数据上，L2损失显著优于L1损失。此外，我们提出了一种自动学习非线性预处理函数的方法，进一步提升了模型精度并取得了最佳结果。
引用
@article{arxiv.2306.11144,
title = {Evaluating Loss Functions and Learning Data Pre-Processing for Climate Downscaling Deep Learning Models},
author = {Xingying Huang},
journal= {arXiv preprint arXiv:2306.11144},
year = {2023}
}
备注
Presented at CVPR 2023 Workshop on Multimodal Learning for Earth and Environment