捕捉气候变异：使用深度学习进行随机下尺度化

May, 2024

捕捉气候变异：使用深度学习进行随机下尺度化

Capturing Climatic Variability: Using Deep Learning for Stochastic Downscaling

Kiri Daust, Adam Monahan

TL;DR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。

Abstract

Adapting to the changing climate requires accurate local climate information, a computationally challenging problem. Recent studies have used Generative Adversarial Networks (GANs), a type of deep learning, to learn complex distributions and downscale climate variables efficiently. Capturing variability while downscaling is crucial for estimating uncertainty

climate adaptation downscaling techniques generative adversarial networks stochastic calibration high-resolution distribution

发现论文，激发创造

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

基于生成式深度学习的降水预测随机降尺度方法

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

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

利用生成对抗网络进行随机超分辨率，在时间演化大气场上进行下采样

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

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

随机参数化的机器学习：在 Lorenz '96 模型中使用生成对抗网络

本研究使用生成对抗网络（GAN）机器学习框架开发了随机参数化模型，通过评价天气和气候时间尺度上的模型运行结果，发现一些 GAN 配置表现更好，能够紧密地再现 Lorenz'96 系统的时空相关性和模式。

Sep, 2019

算法幻觉下的近地表风：生成对抗网络用于下尺度对流区域的统计降尺度

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

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

深度集成提高气候变化条件下统计降尺度模型的不确定性量化能力

研究了深度学习在气候下缩放和预测中的应用，并提出使用深度集合作为一种简单的方法，以提高气候变化预测模型的不确定性量化能力，以解决严重天气事件对社会和经济产生的负面影响。

Apr, 2023

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