ClimDetect: Een Benchmarkdataset voor Detectie en Toeschrijving van Klimaatverandering

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

Samenvatting

Het detecteren en toeschrijven van temperatuurstijgingen als gevolg van klimaatverandering is cruciaal voor het begrijpen van opwarming van de aarde en het begeleiden van aanpassingsstrategieën. De complexiteit van het onderscheiden van door de mens veroorzaakte klimaatsignalen van natuurlijke variabiliteit heeft traditionele detectie- en toeschrijvingsmethoden (D&A) uitgedaagd, die specifieke "vingerafdrukken" in klimaatresponsvariabelen proberen te identificeren. Deep learning biedt potentieel voor het herkennen van deze complexe patronen in uitgebreide ruimtelijke datasets. Het ontbreken van standaardprotocollen heeft echter consistente vergelijkingen tussen studies belemmerd. Wij introduceren ClimDetect, een gestandaardiseerde dataset van meer dan 816k dagelijkse klimaatsnapshots, ontworpen om de nauwkeurigheid van modellen bij het identificeren van klimaatsignalen te verbeteren. ClimDetect integreert verschillende invoer- en doelvariabelen die in eerder onderzoek zijn gebruikt, wat vergelijkbaarheid en consistentie waarborgt. We onderzoeken ook de toepassing van vision transformers (ViT) op klimaatdata, een nieuwe en moderniserende aanpak in deze context. Onze open-access data en code dienen als benchmark voor het bevorderen van klimaatwetenschap door verbeterde modelevaluaties. ClimDetect is publiek toegankelijk via de Huggingface datasetrepository op: 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.