RainScaleGAN: a Conditional Generative Adversarial Network for Rainfall Downscaling

要約

今日まで、ローカルスケールの降水量を正確にシミュレートし、その分布を確実に再現することは、依然として困難な作業です。
グローバルな気候モデルの限られた水平解像度は、この文脈でのスキルを損なう主要な要因の1つです。
特に極端なイベントでの降水量の発症と発達を促進する物理的メカニズムは、数値的に解決されたものよりも小さい空間的スケールで動作し、したがって正確に捕獲されるのに苦労しています。
この制限を回避するために、モデル出力の空間解像度とローカルスケールのアプリケーションで必要な解像度との矛盾に対処するために、過去数十年にわたっていくつかのダウンスケーリングアプローチが開発されました。
このホワイトペーパーでは、降水量のダウンスケーリングのための条件付きの深い畳み込み式生成敵対的ネットワーク（GAN）であるRainscaleganを紹介します。
GANは、画像の超解像度で効果的に使用されており、ダウンスケーリングタスクに非常に関連するアプローチです。
Rainscaleganの機能は、完璧なモデルセットアップでテストされます。降水データセットの空間解像度は、0.25 $^{\ circ} \ times $ 0.25 $^{\ circ} $ 2 $^{\ circ} \ times $ 2^\ circ $^\ circ $ and rainscaleganが使用しています。
開発されたモデルは、文献に見られる主要な降水量のダウンスケーリング方法の1つよりも優れています。
Rainscaleganは、もっともらしい高解像度の空間パターンと強度を備えた合成データセットを生成するだけでなく、統計を密接に反映した統計を備えた降水分布を生成します。
Rainscaleganのアプローチは、基礎となる物理学に関して不可知論者であることを考えると、この方法は、地表風や温度などの他の物理的変数に適用される可能性があります。

要約(オリジナル)

To this day, accurately simulating local-scale precipitation and reliably reproducing its distribution remains a challenging task. The limited horizontal resolution of Global Climate Models is among the primary factors undermining their skill in this context. The physical mechanisms driving the onset and development of precipitation, especially in extreme events, operate at spatio-temporal scales smaller than those numerically resolved, thus struggling to be captured accurately. In order to circumvent this limitation, several downscaling approaches have been developed over the last decades to address the discrepancy between the spatial resolution of models output and the resolution required by local-scale applications. In this paper, we introduce RainScaleGAN, a conditional deep convolutional Generative Adversarial Network (GAN) for precipitation downscaling. GANs have been effectively used in image super-resolution, an approach highly relevant for downscaling tasks. RainScaleGAN’s capabilities are tested in a perfect-model setup, where the spatial resolution of a precipitation dataset is artificially degraded from 0.25$^{\circ}\times$0.25$^{\circ}$ to 2$^{\circ}\times$2$^\circ$, and RainScaleGAN is used to restore it. The developed model outperforms one of the leading precipitation downscaling method found in the literature. RainScaleGAN not only generates a synthetic dataset featuring plausible high-resolution spatial patterns and intensities, but also produces a precipitation distribution with statistics closely mirroring those of the ground-truth dataset. Given that RainScaleGAN’s approach is agnostic with respect to the underlying physics, the method has the potential to be applied to other physical variables such as surface winds or temperature.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google