ExEBench：面向极端地球事件的基石模型基准测试
机器学习
2025-05-14 v1 人工智能
摘要
地球正面临越来越频繁的极端事件，这对人类生活和生态系统构成重大风险。近期机器学习 (ML) 进展，尤其是以大规模数据集训练的基石模型 (FMs)，在提取特征方面表现出色，显示出在灾害管理中的潜力。然而，这些模型常继承训练数据的偏见，挑战其在极端值上的性能。为探索 FMs 在极端事件情境下的可靠性，我们引入 ExEBench (Extreme Earth Benchmark)，该基准包含跨洪水、野火、风暴、热带气旋、极端降水、热浪和寒潮七类极端事件的基准数据集。数据集特点包括全球覆盖、不同数据量和多样数据源，具有不同的空间、时间和光谱特征。为拓展 FMs 的实际影响，我们包括多个紧密关联于极端事件检测、监控和预测的挑战性 ML 任务。ExEBench 旨在 (1) 评估 FMs 在多样化、高影响力任务和域上的通用性，(2) 促进新型 ML 方法的开发以惠及灾害管理，以及 (3) 提供平台以分析极端事件的相互作用和级联效应，以深化对地球系统的理解，尤其是针对不久将来的气候变化。数据集和代码已公开于 https://github.com/zhaoshan2/EarthExtreme-Bench。
引用
@article{arxiv.2505.08529,
title = {ExEBench: Benchmarking Foundation Models on Extreme Earth Events},
author = {Shan Zhao and Zhitong Xiong and Jie Zhao and Xiao Xiang Zhu},
journal= {arXiv preprint arXiv:2505.08529},
year = {2025}
}