Deep learning for bias-correcting CMIP6-class Earth system models

要約

地球システム モデル (ESM) における降水量の正確な表現は、人為的地球温暖化に応じた生態学的および社会経済的影響を信頼性の高い予測を行うために非常に重要です。
しかしながら、降水を生成するプロセスのスケールを越えた複雑な相互作用はモデル化が困難であり、特に極端な場合には、ESM フィールドに潜在的に強いバイアスを引き起こす可能性があります。
最先端のバイアス補正方法は、個々のグリッド セルごとに局所的にシミュレートされた周波数分布の誤差にのみ対処します。
ESM 出力の非現実的な空間パターンを改善するには、空間コンテキストが必要ですが、これまでは不可能でした。
今回我々は、物理的制約のある敵対的生成ネットワーク (cGAN) に基づく後処理手法により、最先端の CMIP6 クラス ESM のバイアスを局所周波数分布と空間パターンの両方で一度に補正できることを示します。
私たちの方法は、ゴールドスタンダードのバイアス調整フレームワークと同様に局所周波数分布を改善しますが、空間パターンの補正、特に極度の降水量の特徴的な空間的断続性の点で、既存の方法を大幅に上回ります。

要約(オリジナル)

The accurate representation of precipitation in Earth system models (ESMs) is crucial for reliable projections of the ecological and socioeconomic impacts in response to anthropogenic global warming. The complex cross-scale interactions of processes that produce precipitation are challenging to model, however, inducing potentially strong biases in ESM fields, especially regarding extremes. State-of-the-art bias correction methods only address errors in the simulated frequency distributions locally at every individual grid cell. Improving unrealistic spatial patterns of the ESM output, which would require spatial context, has not been possible so far. Here, we show that a post-processing method based on physically constrained generative adversarial networks (cGANs) can correct biases of a state-of-the-art, CMIP6-class ESM both in local frequency distributions and in the spatial patterns at once. While our method improves local frequency distributions equally well as gold-standard bias-adjustment frameworks, it strongly outperforms any existing methods in the correction of spatial patterns, especially in terms of the characteristic spatial intermittency of precipitation extremes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google