Jan, 2024

自监督视觉在气候尺度调整中的应用

PDF
TL;DR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。
climate changeearth system modelsdownscalingdeep learning modelclimate research
发现论文，激发创造
  • 基于生成式基础模型的快速、自适应和不确定性感知的地球系统模型场景下尺度缩放

    使用一种高效准确的一次训练模型，通过机器学习来降低任意地球系统模型的计算复杂度，同时实现了无需重新训练模型即可普适于未知气候状态的高分辨率降尺度。

    Mar, 2024

  • 使用单幅图像超分辨率生成高分辨率的气候变化预测

    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。

    Mar, 2017

  • 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

  • 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

  • 地球系统建模 2.0：基于观测和有针对性高分辨率模拟的模型学习蓝图

    通过数据同化和机器学习技术的结合，可以将全球观测和局部高分辨率模拟整合到地球系统模型中，从而实现系统化学习和降低气候模型中参数化的不确定性。

    Aug, 2017

  • 气候变量下尺度处理与条件正态化流

    应用条件正规化流方法进行气候变量降尺度，成功对不同上采样因子的 ERA5 水含量数据集进行了性能展示，并展示了该方法能够通过拟合条件分布均值得出的标准差来评估预测的不确定性。

    May, 2024

  • 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

  • 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

  • 基于扩散模型的东亚气候重建 180 年的概率降尺度

    通过引入扩散概率降尺度模型（DPDM），从 1° 分辨率高效地变换数据至 0.1° 分辨率，本研究解决了传统降尺度方法在面对不确定性时的局限性，并将该模型应用于东亚生成 180 年的月表面变量数据集，为理解过去几个世纪以来的当地尺度气候变化提供了更详细的视角。

    Feb, 2024