Generative Adversarial Models for Extreme Geospatial Downscaling

要約

気候変動の課題に対処するには、地理空間データ、特に気候と気象変数の正確で高解像度のマッピングが必要です。
しかし、最先端の数値気候モデル (大循環モデルなど) のグリッド出力などの既存の地理空間データセットの多くは、モデルの複雑さと非常に高い計算需要のため、非常に粗い空間解像度でしか利用できません。
。
深層学習ベースの手法、特に敵対的生成ネットワーク (GAN) とその亜種は、自然画像を改良するのに効果的であることが証明されており、地理空間データセットの改善に大きな期待が寄せられています。
この論文では、非常に高いスケーリング係数に対応できる、条件付き GAN ベースの確率的地理空間ダウンスケーリング手法について説明します。
ほとんどの既存の方法と比較して、この方法は非常に低解像度の入力から高解像度の正確な気候データセットを生成できます。
さらに重要なことは、この方法では、既存の方法では無視されがちなダウンスケーリング プロセスに固有の不確実性が明確に考慮されていることです。
このメソッドは、入力が与えられると、単一の決定的な結果ではなく、多数の妥当な高解像度サンプルを生成できます。
これらのサンプルにより、モデルの不確実性と堅牢性の経験的な調査と推論が可能になります。
グリッド化された気候データセット (風速と太陽放射照度) のケーススタディを使用して、大きなスケーリング係数 (最大 $64\times$) を使用したダウンスケーリング タスクにおけるフレームワークのパフォーマンスを実証し、次のような包括的な比較によりフレームワークの利点を強調します。
一般的に使用されている最新のダウンスケーリング手法には、エリアツーポイント (ATP) クリギング、ディープ イメージ プリア (DIP)、強化された超解像度敵対的生成ネットワーク (ESRGAN)、物理学に基づいた解像度強化 GAN (PhIRE GAN) などがあります。
リモートセンシング画像超解像（EDiffSR）の効率的な拡散モデル。

要約(オリジナル)

Addressing the challenges of climate change requires accurate and high-resolution mapping of geospatial data, especially climate and weather variables. However, many existing geospatial datasets, such as the gridded outputs of the state-of-the-art numerical climate models (e.g., general circulation models), are only available at very coarse spatial resolutions due to the model complexity and extremely high computational demand. Deep-learning-based methods, particularly generative adversarial networks (GANs) and their variants, have proved effective for refining natural images and have shown great promise in improving geospatial datasets. This paper describes a conditional GAN-based stochastic geospatial downscaling method that can accommodates very high scaling factors. Compared to most existing methods, the method can generate high-resolution accurate climate datasets from very low-resolution inputs. More importantly, the method explicitly considers the uncertainty inherent to the downscaling process that tends to be ignored in existing methods. Given an input, the method can produce a multitude of plausible high-resolution samples instead of one single deterministic result. These samples allow for an empirical exploration and inferences of model uncertainty and robustness. With a case study of gridded climate datasets (wind velocity and solar irradiance), we demonstrate the performances of the framework in downscaling tasks with large scaling factors (up to $64\times$) and highlight the advantages of the framework with a comprehensive comparison with commonly used and most recent downscaling methods, including area-to-point (ATP) kriging, deep image prior (DIP), enhanced super-resolution generative adversarial networks (ESRGAN), physics-informed resolution-enhancing GAN (PhIRE GAN), and an efficient diffusion model for remote sensing image super-resolution (EDiffSR).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google