OceanBench：海面高度版
机器学习
2023-09-28 v1 大气与海洋物理
摘要
海洋深刻影响着人类活动，并在气候调节中发挥着关键作用。随着卫星遥感数据的出现，我们对海洋的认识在过去几十年里不断提高，得以在全球范围内获取海面高度（SSH）等关键信息。然而，海洋卫星数据由于稀疏性、不规则采样、信号复杂性和噪声，给信息提取带来了挑战。机器学习（ML）技术已在处理大规模复杂信号方面展现出能力。因此，我们认为 ML 模型有潜力挖掘海洋卫星数据中的信息。然而，数据表示和相关的评估指标往往是决定 ML 应用成败的关键因素。从原始观测数据到 ML 可用状态、以及从模型输出到可解释量的处理步骤需要领域专业知识，这对 ML 研究者构成了显著的入门壁垒。OceanBench 是一个统一框架，提供符合领域专家标准的规范化处理步骤。它为 ML 研究者提供即插即用的数据和预配置流水线以基准测试其模型，并提供一个透明的可配置框架供研究者针对其任务自定义和扩展流水线。在本文中，我们通过首个专注于 SSH 插值挑战的版本展示了 OceanBench 框架。我们针对从模拟海洋卫星数据插值观测这一长期问题、多模态与多传感器融合问题，以及向真实海洋卫星观测的迁移学习，提供了数据集和 ML 就绪的基准测试流水线。OceanBench 框架可在 github.com/jejjohnson/oceanbench 获取，数据集注册表可在 github.com/quentinf00/oceanbench-data-registry 获取。
引用
@article{arxiv.2309.15599,
title = {OceanBench: The Sea Surface Height Edition},
author = {J. Emmanuel Johnson and Quentin Febvre and Anastasia Gorbunova and Sammy Metref and Maxime Ballarotta and Julien Le Sommer and Ronan Fablet},
journal= {arXiv preprint arXiv:2309.15599},
year = {2023}
}
备注
J. Emmanuel Johnson and Quentin Febvre contributed equally to this work