Mar, 2017

使用单幅图像超分辨率生成高分辨率的气候变化预测

PDF
TL;DR本文介绍 DeepSD 框架，一种利用超级分辨率图像处理技术进行气候统计降尺度的卷积神经网络模型，可以将原本粗糙的模拟数据提高预测的准确性和可靠性。作者使用 NASA 地球交换平台，将其应用于对超过 20 种不同情境下的全球气候变化进行计算。
climate changeearth system modelsstatistical downscalingsuper-resolution image processingdeepsd
发现论文，激发创造
  • 自监督视觉在气候尺度调整中的应用

    使用深度学习模型进行 Earth System Models 的降尺度模拟，该方法不需要高分辨率真实数据，具有优越的性能和广泛应用于气候研究的潜力。

    Jan, 2024

  • 气候下尺度化：基于深度学习的降水数据超分辨率模型，带有注意力块和跳跃连接

    通过使用深度卷积神经网络和其他技术，将低分辨率的降水数据降尺度为高分辨率的数据，以追踪降水并提高气候下缩放模型的预测准确性。

    Mar, 2024

  • 气候的生成性扩散降尺度

    通过扩大比例或超分辨率，为决策者提供关于气候模型输出的气候变化潜在风险和影响的详细高分辨率信息。机器学习算法在下降尺度方面表现出高效和准确的方式。本研究展示了一种生成式扩大、基于扩散的方法，能够提供精确的下降尺度结果。相比标准的 U-Net，在精细尺度上，扩散式方法具有更高的准确性，如频谱分解所示。此外，生成式方法还为用户提供了可用于风险评估的概率分布。该研究突出了扩散式下降尺度技术在提供可靠和详细的气候预测方面的潜力。

    Apr, 2024

  • 基于光流引导扩散的降水概率降尺度化

    通过在 climate science 和 meteorology 领域中，利用 statistical downscaling 方法实现 local precipitation predictions 的数据驱动降尺度化，本研究通过扩展最近的视频扩散模型，结合光流和时间条件扩散模型，成功实现了高分辨率降水模式的预测。

    Dec, 2023

  • 论使用深度生成模型进行完美预测气候降尺度化

    本文研究了使用生成模型改善高分辨率气象数据在一些应用中的空间一致性问题，特别是在降水降尺度方面，该方法可应用于水文学等领域以应对气候变化。

    Apr, 2023

  • 气候模型偏差校正和超分辨对比学习

    在对气候模型进行本地气候风险准确估计时，我们提出了一种基于图像超分辨率和对比学习生成对抗网络的方法，该方法可以在实现偏差校正的同时将空间分辨率提高一倍，并且可用于更精确的洪水、干旱和热浪等灾害的本地准确建模。

    Nov, 2022

  • 使用条件扩散模型生成高分辨率区域降水

    本文提出了一种基于去噪扩散概率模型（DDPM）的深度生成模型，用于区域尺度的气候数据降尺度，通过多个低分辨率气候变量的条件生成，实验证明该模型在降尺度气候数据方面具有显著改进，突出了条件扩散模型在气候数据降尺度中的有效性。

    Dec, 2023

  • 地球系统模型降水的条件扩散模型用于降尺度与偏差修正

    气候变化加剧了如大雨和洪水等极端天气事件。本文提出了一种新的机器学习框架，用于同时进行偏差校正和下尺度处理。通过在观测数据上训练生成性扩散模型，并对观测和地球系统模型数据进行映射，我们的方法能够纠正任何地球系统模型的地理要素，确保了统计质量并保留了大尺度空间模式。

    Apr, 2024

  • 用于极端降尺度气候数据的生成对抗模型

    使用基于生成对抗网络 (GANs) 的有条件 GAN 的 geospatial downscaling 方法，从低分辨率输入中生成高分辨率准确的气候数据集，并明确考虑了下尺度过程中的不确定性。

    Feb, 2024

  • 任意分辨率气候数据下降的傅里叶神经算子

    本文介绍了一种基于 Fourier 神经算子的下采样方法，其能够实现在低分辨率的模拟数据上零样本升采样到任意分辨率，并且在这方面表现优于先前的模型。作者将其在气候和 Navier-Stokes 方程解数据上进行了评估，结果显示其在单分辨率下采样和零样本上采样方面均优于现有的模型。

    May, 2023