Köppen meets Neural Network: Revision of the Köppen Climate Classification by Neural Networks
Notice bibliographique
Résumé
Climate change and development of data-oriented methods are appealing for new climate classification schemes. Based on the most widely used Köppen-Geiger scheme, this article proposes a neural network based climate classification method from a data science perspective. In conventional schemes, empirically handcrafted rules are used to divide climate data into climate types, resulting in certain defects. In the proposed method, a machine learning mechanism is employed to do the task. Specifically, the method first trains a convolutional neural network to fit climate data to land cover conditions, then extracts features from the trained network and finally uses a self-organizing map to cluster land pixels on the extracted features. The method is applied to cluster global land represented by 66,501 pixels (each covers 0.5 latitude degree × 0.5 longitude degree) using 2020 land cover data and 1991-2020 climate normals, and a 4 × 3 × 2 hexagonal self-organizing map clusters the land pixels into twenty-four climate types. By Kappa statistics, the obtained scheme shows good agreement with the Köppen-Geiger and Köppen-Trewartha schemes. In addition, our scheme addresses some issues of the Köppen schemes, suggests new climate types such as As (severe dry-wet season) and Fw (arctic desert), and identifies the highland group H without input of elevation. The proposed method is expected as an intelligent tool to monitor changes in the global climate pattern and to discover new climate types of interest that possibly emerge in the future. It may also be valuable for bio-ecology communities.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,006 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».