RainNet:用于空间降水降尺度的一种大规模影像数据集与基准
计算机视觉与模式识别
2022-10-18 v3
摘要
AI-for-science 方法已被应用于解决科学问题(如核聚变、生态学、基因组学、气象学),并取得了极具前景的结果。空间降水降尺度是最重要的气象问题之一,迫切需求 AI 的参与。然而,缺乏组织良好且带标注的大规模数据集阻碍了更有效、更先进的深度学习降水降尺度模型的训练与验证。为缓解这些障碍,我们提出了首个大规模空间降水降尺度数据集 RainNet,其包含超过 对高质量低/高分辨率降水图,时间跨度逾 年,旨在助力降水降尺度中深度学习模型的演进。具体而言,RainNet 中精心收集的降水图涵盖多种气象现象(如飓风、飑线),极有助于提升模型泛化能力。此外,RainNet 中的图对以图像序列形式组织(每月 幅图或 1 幅/小时),展现出复杂物理属性,例如时间未对齐、时间稀疏与流体属性。进一步,专门引入两个面向深度学习的指标以评估或验证训练模型的综合性能(如预测图重建精度)。为说明 RainNet 的应用,我们对 14 个前沿模型(包括深度模型与传统方法)进行了评测。为充分探索潜在降尺度方案,我们提出一种隐式物理估计基准框架以学习上述特性。大量实验证明了 RainNet 在训练与评估降尺度模型中的价值。我们的数据集见 https://neuralchen.github.io/RainNet/。
引用
@article{arxiv.2012.09700,
title = {RainNet: A Large-Scale Imagery Dataset and Benchmark for Spatial Precipitation Downscaling},
author = {Xuanhong Chen and Kairui Feng and Naiyuan Liu and Bingbing Ni and Yifan Lu and Zhengyan Tong and Ziang Liu},
journal= {arXiv preprint arXiv:2012.09700},
year = {2022}
}
备注
Accepted at NeurIPS 2022. Project page: https://neuralchen.github.io/RainNet/