ClimDetect : Un ensemble de données de référence pour la détection et l'attribution du changement climatique

ClimDetect: A Benchmark Dataset for Climate Change Detection and Attribution

August 28, 2024

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

cs.AI

Résumé

La détection et l'attribution des augmentations de température dues au changement climatique sont cruciales pour comprendre le réchauffement planétaire et orienter les stratégies d'adaptation. La complexité de distinguer les signaux climatiques d'origine humaine de la variabilité naturelle a mis à l'épreuve les approches traditionnelles de détection et d'attribution (D&A), qui cherchent à identifier des "empreintes digitales" spécifiques dans les variables de réponse climatique. L'apprentissage profond offre un potentiel pour discerner ces motifs complexes dans de vastes ensembles de données spatiales. Cependant, le manque de protocoles standard a entravé les comparaisons cohérentes entre les études. Nous présentons ClimDetect, un ensemble de données normalisé de plus de 816 000 instantanés climatiques quotidiens, conçu pour améliorer la précision des modèles dans l'identification des signaux de changement climatique. ClimDetect intègre diverses variables d'entrée et cibles utilisées dans des recherches antérieures, garantissant la comparabilité et la cohérence. Nous explorons également l'application des transformateurs de vision (ViT) aux données climatiques, une approche novatrice et modernisante dans ce contexte. Nos données et notre code en libre accès servent de référence pour faire progresser la science du climat grâce à des évaluations de modèles améliorées. ClimDetect est accessible au public via le référentiel de données Huggingface à l'adresse : 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.