用于极端降尺度气候数据的生成对抗模型
应对气候变化需要准确的本地气候信息,最近的研究使用生成对抗网络 (GANs) 这种深度学习方法,以高效地学习复杂分布和缩放气候变量。为了估计不确定性和表征极端事件的关键信息,捕捉缩放过程中的变异性至关重要。因为缩放是一个不确定问题,许多细致的状态在物理上与粗粒度状态一致。为了量化这个状态不明确的问题,缩放技术应该是随机的,并能够在低精度输入条件下从高精度分布中采样。我们提出了三种改进 GANs 随机校准的方法:a)在网络内部注入噪声,b)调整训练过程以明确考虑随机性,c)使用概率损失度量。我们首先在具有已知分布特性的合成数据集上测试了我们的模型,然后在实际缩放场景中进行了测试,从低分辨率气候协变量预测高分辨率风场分量。仅仅注入噪声即大大改善了在合成数据测试中的条件和完整分布的质量,但对风场缩放表现不佳,在这种情况下模型仍然缺乏离散度。对于风场缩放,我们发现调整训练方法并增加概率损失可以改善校准。最佳模型通过三种改变在捕捉高精度分布的完整变异性方面显示出了显著提升的技能,从而更好地描述极端情况。
May, 2024
本文介绍了应用生成对抗网络来提高天气预报模型低分辨率输出数据的分辨率和结构,以匹配高分辨率雷达测量数据。结果表明,该模型可以匹配现有的最佳降尺度方法,而且在像素、空间和统计数据上表现优异。
Apr, 2022
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
介绍了一种基于生成对抗网络的重复随机超分辨率 GAN,该 GAN 可以应用于低分辨率气象数据,生成时间演化的高分辨率气象数据。
May, 2020
本文探讨了利用模拟的三维环境中的图像来改善 MUNIT 结构进行的领域适应任务的潜力,旨在利用生成式对抗网络生成具有真实性和个性化的图像并保持其可识别特征,以提高人们对气候变化潜在影响的认识。
Jan, 2020
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
本研究运用生成对抗网络(GANs)和计算机视觉技术,通过图像超分辨率和深度学习方法,针对低分辨率全球再分析数据,生成逼真的高分辨率地表风场,并探究了 GANs 不同配置与低分辨率协变量对风场结构偏差产生的影响。
Feb, 2023
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
本文提出了一种基于 GAN 的方法,可以在检测到极端天气事件的条件下生成时空气象模式。该模型可以与自定义 GAN 架构相结合,并在真实的表面辐射和纬向风数据的实验中得到应用。
Apr, 2021