ExtremeWeather：面向极端天气事件半监督检测、定位与理解的大规模气候数据集
计算机视觉与模式识别
2017-11-28 v2 机器学习
摘要
在大规模气候模拟中检测与识别极端天气事件，是风险管理、为政府决策提供依据以及推进我们对气候系统基础性理解的重要问题。近期研究表明，当有大量标注数据可用时，全监督卷积神经网络（CNN）在分类已知类型的极端天气事件上可以达到可接受的精度。然而，许多不同类型的空间局域化气候模式都值得关注，包括飓风、温带气旋、天气锋面和阻塞事件等。这些模式的现有标注数据可能存在多种不完整性，例如仅覆盖特定年份或地理区域，并存在漏标。因此，这类气候数据带来了若干有趣的机器学习挑战。我们提出了一种多通道时空CNN架构，用于半监督边界框预测和探索性数据分析。我们证明，该方法能够利用时间信息和未标注数据来改进极端天气事件的定位。此外，我们探索了模型学到的表征，以更好地理解这一重要数据。我们发布了ExtremeWeather数据集，以鼓励该领域的机器学习研究，并促进在理解和减缓气候变化影响方面的进一步工作。该数据集可在extremeweatherdataset.github.io获取，代码可在https://github.com/eracah/hur-detect获取。
引用
@article{arxiv.1612.02095,
title = {ExtremeWeather: A large-scale climate dataset for semi-supervised detection, localization, and understanding of extreme weather events},
author = {Evan Racah and Christopher Beckham and Tegan Maharaj and Samira Ebrahimi Kahou and Prabhat and Christopher Pal},
journal= {arXiv preprint arXiv:1612.02095},
year = {2017}
}