VARENN：时空数据的图形化表示及其在气候研究中的应用
机器学习
2019-07-24 v1 机器学习
大气与海洋物理
摘要
分析和利用时空大数据对于气候变化相关研究至关重要。然而，由于统计框架的局限性，此类数据尚未被充分整合到气候模型中。本文中，我们采用VARENN（用于神经网络的视觉增强环境表示）将1901—2016年的气候数据月度观测高效汇总为二维图形图像。利用彩色图像的红、绿、蓝通道，三个不同变量可同时表示在单幅图像中。对于全球数据集，模型通过卷积神经网络训练。这些模型成功地对温度和降水的上升与下降进行了分类。此外，观察到输入变量与目标变量之间的相似性对模型精度有显著影响。输入变量同时具有季节和年际变化，其重要性被量化以评估模型效能。因此，VARENN是一种客观、准确地汇总时空数据的有效方法。
引用
@article{arxiv.1907.09725,
title = {VARENN: Graphical representation of spatiotemporal data and application to climate studies},
author = {Takeshi Ise and Yurika Oba},
journal= {arXiv preprint arXiv:1907.09725},
year = {2019}
}