处女作就中了 KDD 最佳 Runner up，「半路出家」的他用深度学习研究气候问题（附

本篇文章2160字，读完约5分钟

当我第一次交论文时，我获得了kdd。这是什么样的经历？

当我第一次投票给kdd的时候，我不仅赢了，还获得了最佳论文亚军和最佳学生论文季军。这是什么样的经历？

东北大学可持续数据科学实验室的博士生托马斯·汪达尔是这两个智虎问题的最佳答案。他的处女作《DeepD:通过单图像超分辨率进行遗传高分辨率气候变化预测》获得了2017年kdd最佳论文亚军和最佳学生论文季军。汪达尔还获得了学生旅游奖。

会后，汪达尔告诉雷锋。(公开号码:雷锋。《科技评论》说他以前只参加过一些研讨会，所以他没有想到这篇论文会获得最佳应用论文的亚军。“我们原以为我们可能有机会赢得最佳学生论文奖，但这个结果实在出人意料。ゥ

本文主要解决气候分析中的统计降尺度问题。该团队使用deepsd学习技术，通过广义叠加超分辨率cnn(srcnn)框架添加多尺度输入通道，以生成有效的统计降尺度模型。(摘要附在底部)

在youtube上，汪达尔发布了一段介绍这篇论文的视频。视频如下:

当汪达尔第一次投票给kdd的时候，他非常惊讶和高兴得到如此好的结果。他说这是对他自己的极大鼓励。自然，第一次就职伴随着紧张。在展示现场，他的舌头不时打结和卡住。也许每个人都看到了他的尴尬，所以在问答环节，只有一个观众非常“友好”地问了一个无痛的问题；主持人要求观众在同一个环节至少问三四个问题，并没有让他“为难”，而是迅速邀请下一位演讲者上台；当汪达尔完成他的演讲并下台时，他很快就带着他的电脑离开了，甚至忘了摘下他的麦克风并把它交给下一个演讲者；当他回到后座时，他的脸上终于露出了轻松的表情。

在讲座中，汪达尔还提到，模型本身仍然有一些缺点，包括理解天气，如云和冰雹对气候判断的影响，以及在缺乏数据的地方没有检查模型的可预测性。在这种情况下，进行高分辨率气候分析更加困难。汪达尔还表示，他希望利用机器学习来提高模型的效率，并适应更广泛的分析。

“当我们用深度学习来解决气候问题时，它实际上在很大范围内起作用。最大的问题是面对海量的气候数据源。我们需要关注数据用户真正关心的是什么，并对其建模。也许对商人或政府人员来说，他们需要的可能是不同的。ゥ

深度学习有许多应用，但他为什么选择气候方向？汪达尔人告诉雷锋。《科技评论》认为，气候是一个非常重要的方向，在未来20到50年内，它可能会对整个美国乃至全世界产生普遍影响。“美国宇航局有许多卫星监测各种有趣的气象数据，我也与许多其他美国宇航局成员合作。”ゥ

托马斯·汪达尔评论雷锋的人工智能技术。说深度学习是计算机科学深入研究领域知识的好机会。就像自然语言处理现在使用深度学习来优化模型的结果一样，反过来，它可以促进我们对领域知识的理解。“深度学习还为我们提供了一种重用和检查数据的方法，值得所有研究人员的关注和考虑。ゥ

据汪达尔说，这篇论文将很快发表在《机器学习》或《计算机视觉》杂志上，然后在一台大型计算机上进行试运行，最后120个气候模型将投入使用，结果将向公众公开。

作为一名研究跨学科工程的博士生，托马斯·汪达尔实际上是一个“半途而废的和尚”。2012年从马里兰大学毕业后，他在波士顿科技公司担任市场风险分析师，管理着数百万外汇市场。后来，他在affectiva担任数据科学家，并开发了一种分析面部表情的工具。自2015年以来，汪达尔一直在东北大学学习跨学科工程，并致力于通过深入学习研究气候问题。

深度学习有许多应用，但他为什么选择气候方向？汪达尔说，气候领域是一个非常重要的方向，它可能在未来20到50年内对整个美国乃至全世界产生普遍影响。“美国宇航局有许多卫星监测各种有趣的气象数据，我也与许多其他美国宇航局成员合作。”ゥ

目前，汪达尔还在美国宇航局艾姆斯研究中心实习。这篇获奖论文也是与美国航天局的研究人员sangram ganguly和ramakrishna nemani、剑桥大学的evan kodra、大学公司的andrew michaelis和导师auroop r ganguly合作完成的。他计划在未来继续对气候问题进行深入研究，努力将自己的论文成果转化为成熟的技术，并尽快公之于众。

附有摘要:

气候变化的影响由大多数关键系统监测，如基础设施、生态系统和发电厂。然而，目前地球系统模型(esm)的空分辨率太低，不适合定位。统计降尺度可以通过观测历史气候来学习从低分辨率到高分辨率的映射，这种方法可以获得降尺度投影。根据统计模型的选择，小尺度投影的精度和可靠性是不同的。气候系统的时间空特征促进了超分辨率图像处理技术对统计降尺度的适应性。我们提出deepsd，一个广义叠加超分辨率cnn(srcnn)框架，用于缩小气候统计。Deepsd增加了具有多尺度输入通道的srcnn，这可以最大化统计降尺度的可预测性。与偏差校正空间分解法和三种自动统计降尺度法相比，我们的方法将美国大陆日降水量的气候降尺度从1度(~100公里)降低到1/8度(~12.5公里)。此外，我们还讨论了美国航天局地球交换平台的框架，该平台用于对20多个具有多种排放情景的无害环境管理模型进行统计降尺度。

托马斯·汪达尔的个人主页:www1.coe.neu.edu/~tvandal/

雷锋原创文章。严禁擅自转载。详情请参考转载说明。