Physics-Constrained Deep Learning for Climate Downscaling

要約

信頼できる高解像度の気候および気象データを利用できることは、気候の適応と緩和に関する長期的な決定を通知し、極端な事象への迅速な対応を導くために重要です。
予測モデルは計算コストによって制限されるため、多くの場合、粗い解像度の予測が生成されます。
ディープ ラーニングによる超解像手法を含む統計的ダウンスケーリングは、低解像度データを効率的にアップサンプリングする方法を提供できます。
ただし、場合によっては視覚的に説得力のある結果が得られるにもかかわらず、そのようなモデルは、物理変数を予測するときに保存則に違反することがよくあります。
物理量を節約するために、深層学習ダウンスケーリング モデルによって物理的制約が満たされることを保証すると同時に、従来のメトリックに従ってパフォーマンスを向上させる方法を開発します。
さまざまな制約アプローチを比較し、さまざまなニューラル アーキテクチャやさまざまな気候および気象データセットに適用できることを示します。
より高速で正確な気候予測を可能にするだけでなく、私たちの新しい方法論が衛星データと標準データセットの超解像度を改善できることも示しています。

要約(オリジナル)

The availability of reliable, high-resolution climate and weather data is important to inform long-term decisions on climate adaptation and mitigation and to guide rapid responses to extreme events. Forecasting models are limited by computational costs and, therefore, often generate coarse-resolution predictions. Statistical downscaling, including super-resolution methods from deep learning, can provide an efficient method of upsampling low-resolution data. However, despite achieving visually compelling results in some cases, such models frequently violate conservation laws when predicting physical variables. In order to conserve physical quantities, we develop methods that guarantee physical constraints are satisfied by a deep learning downscaling model while also improving their performance according to traditional metrics. We compare different constraining approaches and demonstrate their applicability across different neural architectures as well as a variety of climate and weather datasets. Besides enabling faster and more accurate climate predictions, we also show that our novel methodologies can improve super-resolution for satellite data and standard datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google