ClimDetect: un set di dati di riferimento per la rilevazione e attribuzione dei cambiamenti climatici

ClimDetect: A Benchmark Dataset for Climate Change Detection and Attribution

August 28, 2024

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

cs.AI

Abstract

Rilevare e attribuire gli aumenti di temperatura dovuti ai cambiamenti climatici è cruciale per comprendere il riscaldamento globale e guidare le strategie di adattamento. La complessità nel distinguere i segnali climatici indotti dall'uomo dalla variabilità naturale ha sfidato gli approcci tradizionali di rilevamento e attribuzione (D&A), che cercano di identificare specifiche "impronte digitali" nelle variabili di risposta climatica. Il deep learning offre potenzialità per discernere questi modelli complessi in ampi set di dati spaziali. Tuttavia, la mancanza di protocolli standard ha ostacolato confronti coerenti tra gli studi. Presentiamo ClimDetect, un dataset standardizzato di oltre 816k istantanee climatiche giornaliere, progettato per migliorare l'accuratezza del modello nell'identificare i segnali dei cambiamenti climatici. ClimDetect integra varie variabili di input e target utilizzate nella ricerca passata, garantendo comparabilità e coerenza. Esploriamo anche l'applicazione dei vision transformers (ViT) ai dati climatici, un approccio innovativo e modernizzante in questo contesto. I nostri dati e codici in libero accesso fungono da punto di riferimento per far progredire la scienza climatica attraverso miglioramenti nelle valutazioni dei modelli. ClimDetect è accessibile pubblicamente tramite il repository dati di Huggingface al seguente indirizzo: 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.