أظهرت النماذج الحديثة للتعلم العميق نتائج واعدة في التطبيقات الجوية مثل التنبؤ بالهطول المطري الفوري، وإنشاء رادارات اصطناعية، وتحديد الحدود الجوية، وأكثر من ذلك. ولتدريب وتحقق هذه الخوارزميات المعقدة بشكل فعّال، يُعدّ توفر مجموعات بيانات كبيرة ومتنوعة تحتوي على صور ذات دقة عالية أمرًا ضروريًا. توجد حالياً بيتا بايت من بيانات الطقس، مثل تلك الصادرة عن نظام الأقمار الاصطناعية البيئية الجوية (GOES) ونظام الرادار الجيل التالي (NEXRAD)، متاحة للجمهور؛ ومع ذلك، فإن الحجم والتعقيد الكبيرين لهذه المجموعات يشكلان عائقًا أمام تطوير وتدريب النماذج العميقة. ولمساندة حل هذه المشكلة، نقدم مجموعة بيانات "SEVIR" (مختصر Storm EVent ImagRy)، وهي مجموعة بيانات واحدة غنية تدمج بيانات مُحاذاة مكانيًا وزمانيًا من عدة مستشعرات، إلى جانب تنفيذات أساسية لخوارزميات التعلم العميق ومقاييس التقييم، بهدف تسريع الابتكار في الخوارزميات الجديدة. تُعدّ SEVIR مجموعة بيانات مُعلّمة ومُرتبة ومُحاذاة مكانيًا وزمانيًا، وتحتوي على أكثر من 10,000 حدث جوي، حيث يتكون كل حدث من تسلسل صور بحجم 384 كم × 384 كم يغطي 4 ساعات من الزمن. تم أخذ العينات ومحاذاة الصور في SEVIR عبر خمسة أنواع مختلفة من البيانات: قنوات ثلاث (C02، C09، C13) من جهاز التصوير الأساسي المتقدم في GOES-16، وخرائط تكامل السائل الرأسي من NEXRAD، وانفجارات البرق من جهاز مُراقبة البرق الجوي (GLM) في GOES-16. تم اختيار العديد من الأحداث في SEVIR وربطها بقاعدة بيانات أحداث العواصف التابعة لـ NOAA، بحيث يمكن ربط معلومات إضافية مثل آثار العواصف ووصفها بالصور الغنية التي توفرها المستشعرات. ونُفصّل في هذا العمل منهجية جمع البيانات، ونُبرز تطبيقات هذه المجموعة من خلال مثالين على استخدام التعلم العميق في الجغرافيا الجوية: التنبؤ بالهطول المطري الفوري وإنشاء رادارات جوية اصطناعية. علاوةً على ذلك، نُقدّم مجموعة من المقاييس التي يمكن استخدامها لتقييم نتائج هذه النماذج. تُتاح مجموعة بيانات SEVIR والتنفيذات الأساسية للتطبيقات المختارة للتحميل المجاني.