Climate Downscaling: A Deep-Learning Based Super-resolution Model of Precipitation Data with Attention Block and Skip Connections

要約

人間の活動により化石燃料の消費が加速し、温室効果ガスが発生し、その結果、地球温暖化と気候変動という今日の緊急課題が生じています。
これらは間接的に深刻な自然災害、多くの命の苦しみ、農業財産の多大な損失を引き起こします。
私たちの土地への影響を軽減するために、科学者は再生可能、再利用可能なクリーン エネルギーを開発しており、気候学者は極端な状況を予測しようとしています。
一方、政府はより環境に優しい社会に向けた資源節約政策を宣伝し、環境意識を高めています。
最も影響を与える要因の 1 つは、凝縮した水蒸気を陸地にもたらす降水量です。
水資源は社会にとって最も重要かつ基本的なニーズであり、私たちの生活を支えるだけでなく、経済をも支えます。
台湾では、平均年間降水量が最大 2,500 ミリメートル (mm) に達しますが、急激な地理的標高の変化と年間を通しての配分の不均一により、国民 1 人当たりの水の配分は世界平均よりも低くなります。
したがって、降雨を最大限に活用し、洪水を防ぐためには、降雨を追跡および予測することが重要です。
ただし、気候モデルの解像度には限界があり、局所規模で使用するには大量の計算能力が必要です。
そこで、低解像度の降水データを高解像度の降水データにダウンスケールするために、スキップ接続、アテンションブロック、補助データ連結を備えた深層畳み込みニューラルネットワークを提案しました。
最終的には、他の気候ダウンスケーリング手法と比較し、平均絶対誤差 (MAE)、二乗平均二乗誤差 (RMSE)、ピアソン相関、構造類似性指数 (SSIM)、および予測指標の指標において優れたパフォーマンスを示しました。

要約(オリジナル)

Human activities accelerate consumption of fossil fuels and produce greenhouse gases, resulting in urgent issues today: global warming and the climate change. These indirectly cause severe natural disasters, plenty of lives suffering and huge losses of agricultural properties. To mitigate impacts on our lands, scientists are developing renewable, reusable, and clean energies and climatologists are trying to predict the extremes. Meanwhile, governments are publicizing resource-saving policies for a more eco-friendly society and arousing environment awareness. One of the most influencing factors is the precipitation, bringing condensed water vapor onto lands. Water resources are the most significant but basic needs in society, not only supporting our livings, but also economics. In Taiwan, although the average annual precipitation is up to 2,500 millimeter (mm), the water allocation for each person is lower than the global average due to drastically geographical elevation changes and uneven distribution through the year. Thus, it is crucial to track and predict the rainfall to make the most use of it and to prevent the floods. However, climate models have limited resolution and require intensive computational power for local-scale use. Therefore, we proposed a deep convolutional neural network with skip connections, attention blocks, and auxiliary data concatenation, in order to downscale the low-resolution precipitation data into high-resolution one. Eventually, we compare with other climate downscaling methods and show better performance in metrics of Mean Absolute Error (MAE), Root Mean Square Error (RMSE), Pearson Correlation, structural similarity index (SSIM), and forecast indicators.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google