数据集概述
本数据集为Sato and Ise提交的开放数据，包含用于训练和测试LeNet卷积神经网络（CNN）模型预测全球陆地生物群落的可视化气候环境（VCE）数据、模型结果、学习曲线及论文图表绘制材料，支持气候数据集依赖测试、变量组合优化等实验分析。
文件详解
- 文件夹1.VCDs
- 内容：含训练/测试CNN模型的可视化气候环境（VCE）压缩文件（*.tar.gz），对应不同气候数据集（CRU、NCEP等）、时间尺度（年平均/月平均、单年/10年平均）及情景（hist、RCP26等）的实验
- 子文件示例：MainSimulation_training.tar.gz（主模拟训练VCE）、CombinationSelection_Amean.tar.gz（年平均变量组合优化VCE）
- VCE命名规则：10年平均为“纬度编号_经度编号.png”，单年为“纬度编号_经度编号_年份.png”，植被分类对应ISLSCP2代码（01-15）
- 文件夹2.Result
- 内容：图像分类结果副本，子文件夹对应实验名，含DigitsOutput、ConfusionMatrix、ReconstructedBiomeMap子目录
- 文件夹3.LearningCurves
- 内容：CNN模型学习曲线的Digits输出截图，基于CRU气候数据，含5个子文件夹
- 文件夹5.FigureMaterials
- 内容：论文图表绘制用R代码及数据
- 其他文件：PicList.zip（含PicList.txt，用于VCE分类）
数据来源
JAMSTEC的Hisashi SATO提交的开放数据，对应论文“H. Sato and T. Ise (2021) Predicting global terrestrial biomes with the LeNet convolutional neural network”
适用场景
- 全球陆地生物群落预测研究：利用VCE数据训练/测试CNN模型，分析不同气候情景下的生物群落分布
- 气候数据集依赖测试：评估CRU、NCEP等不同气候数据集对模型性能的影响
- 气候变量组合优化：通过CombinationSelection实验数据筛选预测生物群落的最优气候变量组合
- 模型参数敏感性分析：利用ScalerSelection数据研究气候变量变换方式对模型精度的影响
- 论文图表复现：使用FigureMaterials中的R代码和数据复现研究中的可视化结果
