要約
気候変動は長年にわたり、重要な政治的議論と意思決定の中心的な関心事となっています。浅い雲は地球の気候を理解する上で重要な役割を果たしていますが、これらの雲構造を解釈し、気候モデルに表現することは困難です。これらの雲構造を分類することで、雲の物理的構造をよりよく理解する可能性が高まり、これにより気候モデルの生成が改善され、気候変動の予測や天気予報の更新がより正確に行えるようになります。雲は多様な形で組織化されるため、従来のルールベースのアルゴリズムを作成して雲の特徴を分離することは困難でした。本研究では、EfficientNet（効率的なネットワーク）をエンコーダーとして、UNet（ユニネット）をデコーダーとして使用した新しいスケーリングされた畳み込みニューラルネットワーク（CNN）を使用して、雲組織パターンの分類を行いました。EfficientNetとUNetは特徴抽出器および微細な特徴マップの再構築器として機能し、分類器として使用されました。これにより専門家が将来の気候にどのように雲が影響を与えるかを理解するのに役立つことが期待されます。セグメンテーションモデルを使用した分類タスクにおいて、良いエンコーダーとUNetとの組み合わせによってこのデータセットから良好な性能を得ることが可能であることが示されました。最終評価指標としてDice係数を使用し、Kaggleコンペティションにおけるパブリックおよびプライベート（テストセット）ランクボードでそれぞれ66.26％および66.02％というスコアが得られました。