用于卫星镶嵌图中极地低压检测的机器学习方法：主要问题及其解决方案
摘要
极地中尺度气旋（PMCs）及其强烈子类极地低压（PLs）是主要在高中纬度海洋上形成的大气涡旋，尺度相对较小。PLs可强烈影响深层海水形成，因为它们与强地表风和热通量相关。PLs的检测与追踪对于理解PLs的气候动力学以及分析其对气候系统其他组分的影响至关重要。同时，PLs的目视追踪是高度耗时的过程，需要专业知识和对源数据的广泛检查。已有已知方法利用深度卷积神经网络（DCNNs）在再分析数据中检测大尺度大气现象，展现出较高的检测质量。然而，这些方法不能直接应用于卫星数据，因为与再分析不同，卫星产品记录了大气涡旋的所有尺度。同样已知的是，DCNNs最初被设计为尺度不变。这导致了所检测现象尺度过滤的问题。还有其他待解决的问题，例如卫星数据的低信噪比以及卫星数据集中负类（无PLs）与正类（存在PL）数量的不平衡。在我们的研究中，我们提出了一种用于遥感数据中PLs和PMCs检测的深度学习途径，解决了类不平衡与尺度过滤问题。我们也概述了其他问题的潜在解决方案，以及对所提方法的有前景的改进。
引用
@article{arxiv.2011.04811,
title = {Machine learning methods for the detection of polar lows in satellite mosaics: major issues and their solutions},
author = {Mikhail Krinitskiy and Polina Verezemskaya and Svyatoslav Elizarov and Sergey Gulev},
journal= {arXiv preprint arXiv:2011.04811},
year = {2020}
}
备注
11 pages including references. 3 figures and 2 tables. To be published in the Proceedings of the All-Russian conference Climate change: causes, risks, consequences, problems of adaptation and management; CLIMATE-2019, November 26-28, Moscow, Russia; IOP Conference Series, Earth and Environmental Science, 2020