未明确命名

本研究创建了一个专注于越野自动驾驶领域的数据集，旨在评估语义分割模型对抗对抗性输入扰动的脆弱性。该数据集由1442张图像组成，这些图像来自Freiburg森林和Yamaha CMU越野数据集的合并，涵盖了10个类别，包括背景、植被、可通行草地等。数据集的创建过程涉及将原始数据集根据鲁棒性和非鲁棒性特征进行分割，并使用这些鲁棒特征训练网络。该数据集主要应用于提高机器学习模型在越野自动驾驶中的鲁棒性，特别是在对抗性攻击下的表现。

This study presents a dataset dedicated to the field of off-road autonomous driving, which is designed to evaluate the vulnerability of semantic segmentation models against adversarial input perturbations. Comprising 1442 images combined from the Freiburg Forest and Yamaha CMU Off-Road Datasets, this dataset covers 10 categories including background, vegetation, traversable grass, and other related classes. The dataset creation process involves partitioning the original datasets based on robust and non-robust features, and utilizing these robust features for network training. This dataset is primarily intended to improve the robustness of machine learning models in off-road autonomous driving scenarios, especially their performance under adversarial attacks.

搜集汇总

数据集介绍

构建方式

在气象学领域，高分辨率气象场的获取对精细化天气预报至关重要。该数据集的构建以ERA5再分析数据作为基础气象场，通过平均池化操作将其空间分辨率从0.25°降采样至1°，作为模型的低分辨率输入。同时，整合了多源、多尺度的观测数据：采用新一代静止气象卫星Himawari-8的L1级网格化遥感影像作为高分辨率间接观测，并选取Weather2K数据集中的地面气象站观测记录作为离散站点尺度的直接观测。研究区域限定在东经80°至136°、北纬18°至54°的范围，时间跨度为2017年1月至2021年8月，确保了各类数据在时空维度上的有效交集。

特点

该数据集的核心特点在于其突破了传统固定网格尺度降采样的局限，实现了向任意离散站点尺度的延伸。它创新性地融合了网格化遥感观测与离散站点观测，为模型提供了多尺度、多模态的监督信息。数据集涵盖了对地表气象预报至关重要的五个变量：10米风速u、v分量、2米气温、地表气压及1小时累计降水。特别值得注意的是，站点数据被划分为训练、验证和测试三组，且彼此空间互斥，这严格考验了模型在未见站点位置的泛化能力，为评估降采样方法在真实场景下的性能提供了严谨的基准。

使用方法

该数据集专为支持观测引导的气象场站点尺度降采样研究而设计。使用者以低分辨率ERA5气象场和Himawari-8卫星影像作为模型输入，旨在预测任意给定经纬度坐标处的气象状态值。模型训练需同时利用高分辨率网格尺度数据（如原始ERA5）和离散站点观测数据（Weather2K）进行监督学习。评估阶段，应在独立的测试站点集上，采用均方误差和平均绝对误差等指标，衡量模型将粗网格气象场精准降尺度至站点尺度的能力。该框架鼓励开发能够融合多源观测、实现气象场连续分辨率建模的新方法。

背景与挑战

背景概述

气象场降尺度是提升天气预报空间分辨率的核心技术，传统方法多借鉴计算机视觉中的超分辨率任务，依赖固定网格尺度的高分辨率气象场作为监督。然而，气象变量本质具有连续分布特性，导致降尺度结果与气象站点实际观测间存在系统性偏差。2024年，由北京航空航天大学、上海人工智能实验室等机构的研究团队，针对这一局限性，构建了一个全新的观测引导气象场降尺度基准数据集。该数据集旨在将低分辨率气象场降尺度至任意离散站点尺度，通过融合ERA5再分析数据、Himawari-8卫星遥感影像及Weather2K地面站点观测等多源、多尺度观测信息，推动气象场连续分辨率建模的发展，为提升站点尺度气象状态获取的精度奠定了重要基础。

当前挑战

该数据集致力于解决气象场降尺度至任意离散站点尺度这一核心领域问题，其首要挑战在于克服传统网格到网格降尺度方法固有的系统性偏差，实现气象场与真实站点观测间的精准对齐。构建过程中的挑战则具体体现在多源异构数据的融合与对齐上，需将不同时空分辨率、不同模态的卫星遥感辐射数据、稀疏站点观测数据与规则网格气象场进行有效集成，并设计合理的任务框架以同时利用网格尺度监督与站点尺度监督，从而引导模型学习从连续坐标到气象状态的映射，完成对气象场的连续表征建模。

常用场景

经典使用场景

在气象学与人工智能交叉领域，该数据集为气象场降尺度研究提供了关键基准。其核心应用场景在于将低分辨率的气象场数据（如ERA5再分析数据）与多尺度观测信息（如Himawari-8卫星影像和Weather2K地面站数据）相结合，实现从网格尺度到任意离散站点尺度的连续分辨率建模。这一场景突破了传统固定网格降尺度的局限，使模型能够精准预测特定地理位置的气象状态变量，如风速、地表气压和温度等，为高精度区域气象分析奠定数据基础。

衍生相关工作

该数据集催生了多项创新性研究，尤其在连续分辨率气象建模领域。基于其构建的HyperDS模型，采用超网络架构与隐式神经表示方法，实现了气象场到站点尺度的端到端降尺度。后续工作进一步拓展了多模态观测融合技术，如结合雷达数据与数值模式输出，提升强降水事件的降尺度精度。此外，衍生研究还探索了物理约束生成对抗网络（GAN）与扩散模型在气象降尺度中的应用，推动了数据驱动方法与大气物理规律的深度融合。

数据集最近研究

最新研究方向

在气象学与人工智能交叉领域，气象场降尺度研究正经历从固定网格尺度向任意离散站点尺度的范式转变。传统基于深度学习的降尺度方法多借鉴计算机视觉中的超分辨率技术，将气象场视为图像进行固定倍率的上采样，然而这种方法难以捕捉气象场固有的连续分布特性，导致降尺度结果与实际气象站点观测之间存在系统性偏差。前沿研究通过引入数据同化思想，构建了融合多源、多尺度观测数据的新型基准，旨在从粗分辨率气象场中恢复任意给定站点位置的气象状态。其中，超网络架构与隐式神经表示相结合的方法，如HyperDS模型，能够高效整合卫星遥感影像与地面站点观测等多尺度先验信息，实现对气象场的连续分辨率建模。这一方向不仅显著提升了风速、地表气压等变量的站点尺度预测精度——相较于传统方法，均方误差分别改善了67%与19.5%，更推动了气象预报在精细化与实用性层面的发展，为构建适应复杂地形与多变气候的高分辨率气象模型奠定了新的理论基础与技术路径。

相关研究论文

• Observation-Guided Meteorological Field Downscaling at Station Scale: A Benchmark and a New Method

  北京航空航天大学 · 2024年