Jun, 2024

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

PDF
TL;DR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。
发现论文，激发创造
  • 按需地球系统数据立方体

    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。

    Apr, 2024

  • 验证深度学习天气预报模型在近期高影响极端事件上的准确性

    深度学习天气预测模型的预测准确性正在迅速提高，但仍存在需求，需要综合评估这些新兴技术的全面性。通过对比三个案例研究，我们发现机器学习的天气预测模型在创纪录的极端天气事件中可能能够达到与高分辨率天气预测系统相似的准确性，但其在极端条件下的外推能力可能比后者更受影响。这些研究可以为现有研究提供补充，增加公众信任，并有助于开发可靠的机器学习天气预测模型。

    Apr, 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

  • 视觉 - 语言模型遇上气象学：利用热力图开发极端天气事件检测模型

    实时检测和预测极端天气，通过将其作为一个视觉问答问题重新定义，引入了一种更精确、自动化的解决方案。利用视觉语言模型同时处理视觉和文本数据，我们的研究提供了一种有效的辅助分析气象热图过程的方法。通过介绍气候问答数据集 ClimateIQA 和基于 OpenCV 和 K-Means 聚类的 SPOT 技术，我们的模型集合 Climate-Zoo 在极端天气事件检测中取得了显著的性能提升。该研究中的数据集和模型可供未来的气候科学研究使用。

    Jun, 2024

  • 利用多时期 Sentinel-1 和 Sentinel-2 数据进行水体绘制

    通过将雷达数据与现有的多光谱数据相结合，生成了一种新颖的多源多时期数据集，用于拓展 SEN2DWATER 数据集的能力以进行水资源监测，取得了有希望的结果，并探讨了未来可能的发展和应用。

    Jan, 2024

  • 高分辨率卫星影像用于模拟干旱对农作物生产的影响

    本篇论文介绍了一个包含同期多光谱、热学和微波数据以及关键的稻作参数注释的数据集 ——SICKLE，并在三个不同的任务上对其进行了基准测试，即庄稼类型、生长季日期（播种、移栽、收获）和预测收成，并提出了使用根据观察到的生长季节和 tamalnadu 农业大学获取的标准季节信息生成的时间序列数据的收成预测策略。该数据集提供了一个可以训练机器学习模型来进行农业遥感的研究方向。

    Sep, 2022

  • 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

  • 一个针对多模态气候变化感知作物产量预测的开放和大规模数据集

    通过引入 CropNet 数据集，该研究提供了一个多模态数据集，用于在县级别上准确预测作物产量，考虑了短期和长期气候变化的影响，并验证了其在气候变化感知作物产量预测中的一般适用性和有效性。

    Jun, 2024

  • SEN12MS：一份经过整理的、包含地理参考多光谱 Sentinel-1/2 图像数据集，为深度学习与数据融合提供支持

    利用 Copernicus 计划（ESA）的 Sentinel 卫星和 Google Earth Engine 的云计算设施，我们提供一个包括 180,662 个样本的数据集，该数据集由双极化合成孔径雷达（SAR）图像，多光谱 Sentinel-2 图像和 MODIS 地表覆盖映射的三元组组成，拥有 10 m 的地面采样距离，并覆盖所有有人居住的大陆和所有气象季节。期望该数据支持社区开发面向场景分类或地表映射的语义分割等常见任务的深度学习算法。

    Jun, 2019

  • 利用极端事件条件生成时空天气模式

    本文提出了一种基于 GAN 的方法，可以在检测到极端天气事件的条件下生成时空气象模式。该模型可以与自定义 GAN 架构相结合，并在真实的表面辐射和纬向风数据的实验中得到应用。

    Apr, 2021