全球极端天气事件深度学习分割与追踪的大规模专家标注数据集ClimateNetLarge

为解决极端天气事件检测中人工标注样本不足的难题，ETH Zurich等机构研究人员通过专业众包标注方式，构建了包含49,184个时间步的全球大气河流(ARs)、热带气旋(TCs)和阻塞事件标注数据集。该数据集基于ERA5再分析数据，采用webKnossos平台实现多通道标注验证，其分布特征与tARget算法及IBTrACS数据库高度吻合，为深度学习模型训练提供了迄今最大规模的专家指导标注资源。

　　

随着全球气候变化加剧，极端天气事件对社会经济的破坏性影响日益凸显。大气河流(ARs)引发的洪灾每年在美国西部造成约10亿美元损失，热带气旋(TCs)过去50年日均导致43人死亡，而阻塞事件则与欧洲2003年致3万人死亡的热浪直接相关。然而现有检测方法依赖人工设定阈值，不同算法对同一事件的统计结果差异显著，例如大气河流的全球频率检测结果可相差达20%。这种"定义不确定性"严重制约了极端天气研究的可靠性。

为突破这一瓶颈，苏黎世联邦理工学院等机构的研究团队在《Scientific Data》发表了ClimateNetLarge数据集。该研究创新性地采用专业众包标注策略，通过webKnossos平台对ERA5再分析数据进行多维度标注，最终构建了包含49,184个时间步的全球极端天气事件分割数据集，规模较前人工作提升了一个数量级。数据集涵盖1980-2022年间大气河流、热带气旋和2000-2013年阻塞事件的精细标注，每个时间步均由两名独立标注者完成，并通过专家指导的标注手册确保质量。

关键技术方法包括：1)基于欧洲中期天气预报中心ERA5再分析数据，选取总水汽量(TCWV)、垂直水汽输送(IVT)等关键变量；2)采用webKnossos生物医学图像标注平台实现多通道气象数据可视化标注；3)建立包含正负样本的专家标注指南，通过迭代优化解决边缘案例；4)应用面积阈值过滤（ARs>25万km²，TCs>10万km²）去除异常标注；5)使用SciPy标签函数进行空间连续性分析，处理跨经度边界的天气系统。

【数据特征验证】
通过与主流算法对比验证数据质量：大气河流标注频率分布与tARget算法显示一致的高活性区域（北大西洋/太平洋30%频率），但极地地区差异显著。热带气旋标注与IBTrACS数据库的空间分布吻合度达0.42 IoU，面积概率分布符合半径2°-8°的观测特征。阻塞事件在50°纬度带的5-15%频率带与Pinheiro等算法结果高度一致。

【标注差异性分析】
研究特别揭示了标注者间的认知差异：如图3所示，同一大气河流事件中，标注者A倾向于绘制更窄的边界（中位宽度564km），而标注者B则采用更宽松的标准（合并邻近特征）。这种合理的定义不确定性被保留，以反映实际科研中的判断差异。对热带气旋的标注也呈现类似特点，如图7显示两名标注者对马达加斯加附近气旋的识别一致，但对澳大利亚西北部气旋存在分歧。

【技术突破意义】
该研究的核心价值在于：1)首次实现极端天气事件标注的规模化生产，单类事件标注量突破4.9万时间步；2)建立专业众包标注范式，通过webKnossos工具链解决多通道气象数据标注难题；3)验证了非专家标注在专业领域的可行性，标注结果与专家标注的IoU指标相当（ARs 0.42 vs 专家间0.34）；4)提供NetCDF标准化数据格式，支持CDO等气候分析工具直接调用。

研究团队特别指出，当前数据集尚不包含天气系统的运动矢量或中心定位信息，这为后续研究留下拓展空间。该资源已通过哈佛Dataverse开放获取，将为深度学习驱动的极端天气检测、分割与追踪研究提供关键训练基准，助力改进气候模型的预测能力。正如作者Sol Kim强调的，这种数据驱动方法有望替代传统基于阈值的启发式算法，为全球气候变化研究提供更可靠的分析基础。