来源

SmaAt-UNet github

SmaAt-UNet： 使用小型关注网结构的降水预报 论文链接

安装依赖

这个项目使用poetry作为依赖性管理。因此，安装所需的依赖项就像这样简单：

conda create --name smaat-unet python=3.9
conda activate smaat-unet
poetry install
# Sadly poetry < 1.5 does not allow to install the GPU variant so you need to do that afterwards separately:
pip3 install torch torchvision torchaudio --force-reinstall --index-url https://download.pytorch.org/whl/cu118

训练

我们给出了一个分类任务（PascalVOC）的训练脚本示例。

对于降水任务的训练，我们使用train_precip_lightning.py文件。训练将在default_save_path lightning/precip_regression中为每个模型放置一个检查点文件。训练结束后，将你想比较的最好的模型（可能是验证损失最低的模型）放在另一个checkpoints/comparison文件夹中。test_precip_lightning.py将使用该文件夹中的所有模型并计算模型的测试损失。要计算其他指标，如精确度、召回率、准确率、F1、CSI、FAR、HSS，请使用脚本calc_metrics_test_set.py。

降水数据集

该数据集由2016-2019年的5分钟间隔的降水图组成，形成了约42万张图片。
该数据集是基于荷兰皇家气象研究所（KNMI）的雷达降水图。原始图像被裁剪过，在下面的例子中可以看到：

如果你对我们使用的数据集感兴趣，请写电子邮件到：k.trebing@alumni.maastrichtuniversity.nl 和 s.mehrkanoon@uu.nl。

50%的数据集有4GB大小，20%的数据集有16.5GB大小。使用create_dataset.py从原始数据集中创建使用的两个数据集。

该数据集已经使用最小-最大规范化进行了规范化。为了恢复这一点，你需要将图像乘以47.83；这将导致图像显示为毫米/分钟。