《Scientific Data》：WxC-Bench: A Novel Dataset for Weather and Climate Downstream Tasks
编辑推荐：
为解决天气与气候科学中人工智能应用因缺乏高质量、标准化、适用于不同尺度下游任务的机器学习数据集而受限的问题，研究人员开展了“WxC-Bench”（天气与气候基准）数据集构建的主题研究。该研究提供了一个多模态数据集，支持从20公里到2500公里尺度内多种大气过程的模型开发，如航空湍流、飓风监测、重力波参数化等，并公开了数据与预处理代码。其意义在于为开发泛化性AI模型奠定了基础，并促进了天气与气候领域的开源研究。
近年来，人工智能（AI）技术在天气预报、气候变化分析等科学领域展现出巨大应用潜力。深度学习模型的蓬勃发展，为理解复杂的大气物理过程、提升预测精度带来了新的机遇。然而，一个基础性的瓶颈日益凸显：高质量、开源的、经过精心整理和预处理的、可直接用于机器学习（ML）的标准化数据集依然稀缺。研究人员在开发新模型或微调现有模型时，常常面临数据获取、清洗、格式统一的重重障碍。特别是天气与气候研究涉及的下游任务多种多样，输入数据的模态、时空尺度（从中-β尺度到天气尺度）差异巨大，这使得为特定应用场景（如监测飓风轨迹、参数化重力波、生成自然语言报告）构建通用、高质量的基准数据集变得尤为困难。这种数据基础设施的缺失，在一定程度上制约了AI模型在天气与气候科学领域的创新、验证与可复现性。
为了解决这一核心问题，一个研究团队在《Scientific Data》上发表了一项研究，介绍并发布了名为“WxC-Bench”（Weather and Climate Bench）的新型数据集。这项工作旨在为天气和气候研究中的各种下游应用场景开发通用性强的人工智能模型提供基础支持。
为了构建这一数据集，研究人员综合运用了多种技术方法。核心是数据的收集、处理与整合。研究团队从多个公开数据源获取了原始气象与气候数据，并针对机器学习应用的需求进行了系统的预处理，包括数据格式标准化、质量控制、空间与时间重采样等，以确保数据是“机器学习就绪”的。数据集设计为支持多种模态（例如，网格场数据、时间序列、文本报告等），以覆盖从20-200公里（中-β尺度）到约2500公里（天气尺度）范围内的不同大气过程。此外，研究还开发了相应的Python软件包（WxC-Bench package）和代码，方便用户在Hugging Face平台上获取数据并进行后续处理，为技术验证和基线分析提供了工具支持。
研究结果围绕WxC-Bench数据集的设计、内容、验证与应用展开。
数据集的设计目标与范围：WxC-Bench被设计成一个多模态基准数据集，其核心目标是支持开发能够推广到不同下游用例的AI模型。它涵盖了多种关键的天气与气候过程，旨在填补当前缺乏针对此类任务的、统一的、高质量ML数据集的空白。
支持的大气过程与任务：该数据集专门支持对一系列特定大气过程的分析与建模，包括但不限于：航空湍流的检测与预测、飓风（台风）的强度与路径监测、天气相似个例搜索、重力波参数化方案的开发与验证，以及基于数据的自然语言天气报告生成。这些任务对应着从相对局地化的中尺度现象到行星尺度天气系统等不同的大气时空尺度。
数据集的全面描述：论文提供了对WxC-Bench数据集组成的详细描述。这包括数据来源、所包含的变量（如风场、温度、气压、湿度等）、时空覆盖范围与分辨率、数据存储格式以及元数据信息。这种详细的描述确保了数据集的透明性和可用性。
技术验证与基线分析：为了验证数据集的有效性和实用性，研究团队进行了一系列技术验证，并提供了初步的基线分析示例。这些验证工作展示了如何利用WxC-Bench数据集来训练和评估针对上述特定任务的机器学习模型，为后续研究者提供了参考基准和起点。
研究的结论与讨论部分强调了WxC-Bench数据集的重要意义。首先，它通过提供一个公开、高质量、多模态且覆盖多种尺度大气过程的ML就绪数据集，直接响应了天气和气候AI研究社区对标准化数据基础设施的迫切需求。其次，该数据集的设计着眼于“通用性”和“可推广性”，有助于促进开发不局限于单一任务、而能适应多种相关场景的AI模型框架。最后，将数据集、预处理代码以及易用的Python包在Hugging Face等开源平台公开发布，极大地降低了相关研究的入门门槛，有利于促进合作、加速创新，并提升研究结果的可复现性。这项工作不仅为当前的研究者提供了宝贵的资源，也为未来更复杂、更集成的天气气候人工智能系统的开发奠定了坚实的数据基础。
