M4Fog: A Global Multi-Regional, Multi-Modal, and Multi-Stage Dataset for Marine Fog Detection and Forecasting to Bridge Ocean and Atmosphere

海洋雾对全球航运构成重大危险，需要有效的检测和预测来减少经济损失。近年来，一些机器学习（ML）方法已经证明相对于传统气象方法具有更高的检测准确性。然而，这些研究大多基于专有数据集，而公开可访问的数据集往往仅限于简单的玩具场景以供研究之用。为了推进这一领域，我们收集了近十年来与连续海洋雾阶段相关的多模态数据，包括来自四个系列的静止气象卫星的数据、气象观测和数值分析，覆盖全球15个海洋区域，这些区域经常出现海上雾。通过气象专家的像素级手动注释，我们提供了迄今为止最全面的海洋雾检测和预测数据集，命名为M4Fog，以桥接海洋和大气。该数据集包含68,000个“超级数据立方体”，沿着四个维度：元素、纬度、经度和时间，时间分辨率为半小时，空间分辨率为1公里。考虑到实际应用，我们定义和探索了三个有意义的轨道，采用多指标评估系统：静态或动态海洋雾检测，以及云图的时空预测。广泛的基准测试和实验证明了所提出的M4Fog构建概念的合理性和有效性。数据和代码可通过云平台向全体研究人员提供，以开发基于ML的海洋雾解决方案并减轻对人类活动的不利影响。

本论文旨在解决海洋雾的检测和预测问题，提供一个全球性的多模态数据集M4Fog来帮助研究人员开发基于机器学习的解决方案。

论文提供了一个新的维度来研究海洋雾，即使用多模态数据集来进行检测和预测。该数据集包含了四个维度：元素、纬度、经度和时间，并提供了三个有意义的轨道来评估模型的性能。

论文使用了四个系列的静止气象卫星的数据、气象观测和数值分析数据，通过气象专家的像素级手动注释，构建了一个全球性的、高分辨率的海洋雾检测和预测数据集M4Fog。论文提供了三个有意义的轨迹来评估模型的性能。数据和代码都可以通过云平台获得。

最近的相关研究主要集中在利用机器学习方法来检测和预测海洋雾，但是这些研究大多数都是基于专有数据集进行的。