ClimDetect: Ein Benchmark-Datensatz für die Erkennung und Zuordnung von Klimawandel

ClimDetect: A Benchmark Dataset for Climate Change Detection and Attribution

August 28, 2024

Autoren: Sungduk Yu, Brian L. White, Anahita Bhiwandiwalla, Musashi Hinck, Matthew Lyle Olson, Tung Nguyen, Vasudev Lal

cs.AI

Zusammenfassung

Die Erkennung und Zuordnung von Temperaturerhöhungen aufgrund des Klimawandels sind entscheidend für das Verständnis der globalen Erwärmung und die Lenkung von Anpassungsstrategien. Die Komplexität der Unterscheidung von vom Menschen verursachten Klimasignalen von natürlicher Variabilität hat herkömmliche Ansätze zur Detektion und Zuordnung (D&A) herausgefordert, die darauf abzielen, spezifische "Fingerabdrücke" in Klimaantwortvariablen zu identifizieren. Deep Learning bietet Potenzial, um diese komplexen Muster in umfangreichen räumlichen Datensätzen zu erkennen. Allerdings haben fehlende Standardprotokolle konsistente Vergleiche zwischen Studien behindert. Wir stellen ClimDetect vor, einen standardisierten Datensatz von über 816.000 täglichen Klimaschnappschüssen, der darauf abzielt, die Genauigkeit von Modellen bei der Identifizierung von Klimawandelsignalen zu verbessern. ClimDetect integriert verschiedene Eingabe- und Zielvariablen, die in früheren Forschungen verwendet wurden, um Vergleichbarkeit und Konsistenz sicherzustellen. Wir untersuchen auch die Anwendung von Vision-Transformern (ViT) auf Klimadaten, einen neuartigen und modernisierenden Ansatz in diesem Kontext. Unsere Open-Access-Daten und der Code dienen als Benchmark zur Förderung der Klimawissenschaft durch verbesserte Modellbewertungen. ClimDetect ist öffentlich über das Huggingface-Datensatz-Repository unter folgendem Link zugänglich: https://huggingface.co/datasets/ClimDetect/ClimDetect.

English

Detecting and attributing temperature increases due to climate change is crucial for understanding global warming and guiding adaptation strategies. The complexity of distinguishing human-induced climate signals from natural variability has challenged traditional detection and attribution (D&A) approaches, which seek to identify specific "fingerprints" in climate response variables. Deep learning offers potential for discerning these complex patterns in expansive spatial datasets. However, lack of standard protocols has hindered consistent comparisons across studies. We introduce ClimDetect, a standardized dataset of over 816k daily climate snapshots, designed to enhance model accuracy in identifying climate change signals. ClimDetect integrates various input and target variables used in past research, ensuring comparability and consistency. We also explore the application of vision transformers (ViT) to climate data, a novel and modernizing approach in this context. Our open-access data and code serve as a benchmark for advancing climate science through improved model evaluations. ClimDetect is publicly accessible via Huggingface dataet respository at: https://huggingface.co/datasets/ClimDetect/ClimDetect.