MeltwaterBench

MeltwaterBench是一个用于时空降尺度任务的基准数据集，旨在将区域气候模型、被动微波和数字高程模型降尺度到高分辨率合成孔径雷达观测到的地表融水数据。

MeltwaterBench is a benchmark dataset for spatio-temporal downscaling tasks, designed to downscale regional climate models, passive microwave observations and digital elevation models to surface meltwater data observed by high-resolution synthetic aperture radar.

原始信息汇总

MeltwaterBench 数据集概述

数据集简介

MeltwaterBench 是一个用于时空降尺度任务的基准数据集，旨在将区域气候模型、被动微波数据和数字高程模型降尺度至高分辨率合成孔径雷达（SAR）衍生的地表融水观测数据。

数据集内容与规模

• 核心数据集：约 100 GB。
• 辅助数据集：约 250 GB（位于 S1Xv1.2_aux 分支）。
• 数据产品：包含生成的 100 米日分辨率产品。

数据获取方式

数据集托管于 Hugging Face。

1. 创建 Hugging Face 账户。
2. 申请访问该数据集的权限。
3. 将 SSH 公钥添加到 Hugging Face 个人资料。
4. 确保已安装 git-lfs。
5. 使用以下命令下载： bash git clone [e-mail]:datasets/blutjens/meltwaterbench --branch main --single-branch

基准模型

数据集支持对以下基准模型进行训练、推理和评估：

• 时间插值 SAR 模型：预测前 n 个融水图像的平均值。
• 插值 MAR 模型：对 MAR 中的液态水含量进行空间插值。
• 阈值 PMW 模型。
• 基于数字高程的线性模型。
• Deeplabv3+ 模型。
• UNet 模型。
• Vanilla UNet 模型。

主要用途

1. 模型训练与复现：提供完整的代码流程，用于复现论文结果，包括数据下载、基线模型拟合和评估。
2. 模型评估与基准测试：提供脚本用于计算评估指标、绘制模型预测与目标对比图、误差分析以及融水范围随时间变化图。
3. 产品生成：支持生成 2017-2023 年的每日 100 米分辨率预测产品。
4. 新模型集成：提供了添加新模型的指导步骤和代码结构。

相关资源

• 论文预印本：https://arxiv.org/abs/2512.12142

• 生成产品视频：https://www.youtube.com/watch?v=OaonUT6dIbg

• 引用格式：

  @misc{lutjens25meltwaterbench, title={MeltwaterBench: Deep learning for spatiotemporal downscaling of surface meltwater}, author={Bj"orn L"utjens and Patrick Alexander and Raf Antwerpen and Til Widmann and Guido Cervone and Marco Tedesco}, year={2025}, journal = {arXiv}, url = {https://arxiv.org/abs/2512.12142}, }

搜集汇总

数据集介绍

构建方式

在极地水文与遥感科学领域，MeltwaterBench数据集通过整合多源异构数据构建而成。其核心方法是将区域气候模型、被动微波观测以及数字高程模型的数据，时空降尺度至高分辨率合成孔径雷达衍生的地表融水观测数据。这一过程涉及对2017年至2023年间格陵兰地区每日融水动态的系统性采集与对齐，生成了空间分辨率为100米的标准化数据产品，为深度学习模型提供了统一的基准输入与真值标签。

特点

该数据集在冰川水文研究中展现出鲜明的多模态与高时空分辨率特性。其融合了气候模拟、微波遥感、地形数据与雷达观测，形成了覆盖长期序列的密集时空网格。数据集不仅包含融水范围的二值标注，还提供了完整的输入通道掩膜与质量控制信息，支持像素级与区域级的模型评估。这种结构设计使得研究者能够系统比较不同降尺度方法的性能，尤其在捕捉融水事件的细微时空变化方面具有显著优势。

使用方法

利用该数据集进行科研探索时，用户可通过Hugging Face平台获取核心数据与辅助数据。代码库提供了完整的模型训练、推理与评估流程，支持从数据探索到结果复现的全链条操作。研究者可以基于预置的UNet、DeepLabV3+等基线模型进行训练，亦可通过模块化接口集成新模型架构。评估阶段提供多种定量指标与可视化工具，包括误差分析、时间序列绘图及空间预测对比，从而实现对降尺度算法性能的全面衡量与深入解析。

背景与挑战

背景概述

在极地气候与环境遥感研究领域，高分辨率地表融水动态监测对于理解冰盖物质平衡与海平面上升机制具有关键科学价值。MeltwaterBench数据集由Björn Lütjens、Patrick Alexander、Raf Antwerpen、Til Widmann、Guido Cervone及Marco Tedesco等研究人员于2025年构建，旨在为深度学习驱动的时空降尺度任务建立基准。该数据集整合了区域气候模型、被动微波遥感、数字高程模型与合成孔径雷达观测数据，核心研究聚焦于将低分辨率气候与遥感数据降尺度至高分辨率融水分布图，以提升对极地地表水文过程的刻画精度，为冰川学与气候建模提供关键数据支撑。

当前挑战

该数据集致力于解决地表融水时空降尺度这一复杂问题，其核心挑战在于如何有效融合多源异质数据，以捕捉融水分布的高度非线性与时空异质性。构建过程中面临多重困难：首先，不同数据源在时空分辨率、物理含义及观测误差上存在显著差异，需进行精细的时空对齐与物理一致性校正；其次，合成孔径雷达数据易受地形与积雪特性干扰，融水信号提取需克服噪声与伪影影响；此外，大规模遥感数据处理对计算存储资源提出极高要求，数据预处理与质量控制流程亦需严谨设计以确保基准可靠性。

常用场景

经典使用场景

在极地气候与水文遥感领域，MeltwaterBench数据集为深度学习模型提供了一个标准化的基准测试平台，专门用于表面融水的时空降尺度任务。该数据集整合了区域气候模型、被动微波遥感、数字高程模型以及高分辨率合成孔径雷达观测数据，构建了一个多源异构数据融合的典型场景。研究者通常利用该数据集训练和评估各种降尺度模型，例如UNet及其变体，以生成高时空分辨率的表面融水分布图，从而深入理解冰川融化过程的精细时空动态。

实际应用

该数据集的实际应用价值主要体现在极地环境监测与气候变化影响评估领域。通过生成每日100米分辨率的表面融水产品，MeltwaterBench能够支持冰川物质平衡估算、冰盖水文模型验证以及极端融水事件的风险预警。这些高分辨率数据产品可直接服务于政府机构、气候研究组织及环境保护团体，为制定极地保护政策、评估海平面上升贡献以及理解全球水循环变化提供了关键的数据支撑。

衍生相关工作

围绕MeltwaterBench数据集，学术界已衍生出一系列经典的模型比较与改进工作。除了论文中报告的UNet、DeepLabV3+等深度学习架构外，该数据集还促进了时间插值SAR、线性DEM模型以及阈值化被动微波等多种基线方法的发展与系统评估。这些工作不仅拓展了时空降尺度在极地遥感中的应用边界，也为后续研究提供了可复现的基准框架，激励了更高效的神经网络架构与多模态数据融合策略的创新。