Apr, 2024

按需地球系统数据立方体

PDF
TL;DR地球系统科学中的进展带来了各种各样的数据集，而地球系统数据立方体 (ESDCs) 的引入有效地处理了这些高维数据的涌入。ESDCs 提供了一个结构化、直观的数据分析框架，将信息组织在时空网格中。ESDCs 的结构化特性为人工智能 (AI) 应用提供了重大机遇。通过提供良好组织的数据，ESDCs 非常适合各种复杂的 AI 驱动任务。一个自动化的框架可以通过最少的用户输入来创建针对 AI 的 ESDCs，从而加速特定任务训练数据的生成。本文介绍了 cubo，这是一个用于轻松生成以 AI 为焦点的 ESDCs 的开源 Python 工具。cubo 利用存储为云优化地理标记格式 (COGs) 的时空资产目录 (STAC) 中的集合，以中心坐标、空间分辨率、边缘大小和时间范围为参数高效地创建 ESDCs。
earth system scienceearth system data cubesartificial intelligenceautomated frameworkcubo
发现论文，激发创造
  • 深层极端立方体：整合地球系统时空数据以评估气候极端事件的影响

    气候极端事件对陆地生态系统的影响预测需要用到结构化、高质量和经过筛选的分析准备数据集。本研究致力于构建 DeepExtremeCubes 数据库，该数据库专门设计用于分析复合热浪和干旱极端事件对持续自然植被的影响，包括 40,000 个地理采样的小数据块，每个块都包含 Sentinel-2 L2A 影像、ERA5-Land 变量、从 2016 年到 2022 年的极端事件数据块，以及辅助土地覆盖和地形地图。该数据库的建设旨在提高数据获取和处理的效率，增强科学的可重复性，并促进对生物圈动态在复合极端事件下的预测研究。

    Jun, 2024

  • 基于深度光谱聚类的数据立方体分割

    扩展视觉技术在物理学中非常普遍，然而由于数据立方体的光谱构成对其解释提出了挑战。为了解决这个问题，我们探索了在编码空间中应用无监督聚类方法的可能性，通过数据立方体像素的光谱属性进行深层聚类，该过程由经过训练的变分自动编码器进行统计降维，同时聚类过程由可学习的迭代 K 均值聚类算法执行。我们将这一技术应用于两个不同的物理起源用例：一组关于绘画艺术品的宏观映射 X 射线荧光（MA-XRF）合成数据和模拟天体观测的数据集。

    Jan, 2024

  • 迈向气候模型数据的因果表示

    应用因果表示学习中的单亲解码方法（CDSD）对多个气候数据集进行评估，重点关注排放、温度和降水，揭示使用 CDSD 作为更可解释和稳健的气候模型的跳板的挑战、限制和前景。

    Dec, 2023

  • 更多数据无出其右 - 地球观测深度学习数据集

    机器学习、深度神经网络、人工智能、地球观测和数据集是这篇研究论文的主要关键词，通过文章的回顾和资源描述，为未来发展提供了展望。

    Oct, 2023

  • A2CI：面向大气研究的基于云计算和服务的地理空间基础设施

    大地科学数据、地理空间基础设施、数据发现、数据管理以及大气科学研究是本论文的关键词，该论文介绍了一个通过云计算原则构建的气象分析系统的实施。

    Mar, 2024

  • SeasFire 作为火灾动态的多变量地球系统数据立方体

    全球野火的发生、规模和频率对生态系统服务和人类生计构成重大威胁。为了有效量化和归因于野火的先决条件，对地球系统动力学的彻底理解是必需的。为此，我们介绍了 SeasFire 数据立方体，这是一个经过精心策划的时空数据集，可用于通过地球观测进行全球亚季节到季节性野火建模。SeasFire 数据立方体包括 59 个变量，涵盖气候、植被、海洋指数和人类因素，在时间上具有 8 天的分辨率，在空间上具有 0.25 度的分辨率，时段为 2001 年至 2021 年。我们展示了 SeasFire 在探索野火驱动因素的变异性和季节性、建模海洋 - 气候相互关系与野火之间的因果关系以及使用深度学习模型预测多个时间尺度下的亚季节性野火模式的多功能性。我们公开发布了 SeasFire 数据立方体，并呼吁地球系统科学家和机器学习实践者使用该数据立方体来改善对野火的理解和预测。

    Dec, 2023

  • EarthNets：赋能地球观测中的人工智能

    本文综述了 400 多个公共数据集，包括土地利用 / 覆盖、变化 / 灾害监测、场景理解、农业、气候变化和天气预报。通过对数据集进行系统分析，我们基于其属性提出了评估标准，并发布了用于评估深度学习方法的新平台 EarthNets，从而弥合了遥感和机器学习社区之间的差距。

    Oct, 2022

  • Major TOM：面向地球观测的可扩展数据集

    提出终端观察元集 (Major TOM) 作为一种可扩展的框架，该框架包含基于一组网格点的地理索引系统和允许合并具有不同来源的多个数据集的元数据结构。此外，还提供了一个名为 MajorTOM-Core 的大型开放访问数据集，该数据集涵盖了地球陆地表面的绝大部分，为研究社区提供了一个有用的资源和未来 Major TOM 生态系统的模板。

    Feb, 2024

  • 利用卷积神经网络在立方球面上改善基于数据的全球天气预报

    使用深度卷积神经网络通过 cubed-sphere 重新映射，改进 CNN 架构并在预测序列中优化损失函数，实现了更准确的天气预报，能够以几周或更长的时段内实现不断稳定的天气预报，并在短 - 中程预报中显著优于其他方法。

    Mar, 2020

  • ECS -- 一种用于数据质量保证的交互式工具

    通过该论文，我们提出了一种保证数据质量的新方法，其中首先讨论了数学基础，并使用多个示例来展示该方法，从而检测出在安全关键系统中使用可能存在有害属性的数据点。

    Jul, 2023