Physically Constrained Generative Adversarial Networks for Improving Precipitation Fields from Earth System Models

要約

降水はさまざまなスケールにわたる複雑なプロセスから生じるため、地球システム モデル (ESM) での正確なシミュレーションが困難になります。
既存の後処理方法では、ESM シミュレーションを局所的に改善できますが、モデル化された空間パターンのエラーを修正することはできません。
ここでは、ローカル分布と空間構造を同時に改善するために、物理的に制約された敵対的生成ネットワーク (GAN) に基づくフレームワークを提案します。
私たちは、計算効率の高い ESM CM2Mc-LPJmL にアプローチを適用します。
私たちの方法は、局所的な分布の修正において既存の方法よりも優れており、特に毎日の降水量の断続性に関して空間パターンを大幅に改善します。
特に、ESM でよくある問題である二重ピークの亜熱帯収束帯が削除されています。
全球降水量の合計を維持するために物理的制約を強制することで、GAN はトレーニング中には見ら​​れなかった将来の気候シナリオに一般化できます。
特徴の帰属は、ESM が強いバイアスを示す領域を GAN が特定していることを示しています。
私たちの方法は、ESM 変数を修正するための一般的なフレームワークを構成し、数分の 1 の計算コストで現実的なシミュレーションを可能にします。

要約(オリジナル)

Precipitation results from complex processes across many scales, making its accurate simulation in Earth system models (ESMs) challenging. Existing post-processing methods can improve ESM simulations locally, but cannot correct errors in modelled spatial patterns. Here we propose a framework based on physically constrained generative adversarial networks (GANs) to improve local distributions and spatial structure simultaneously. We apply our approach to the computationally efficient ESM CM2Mc-LPJmL. Our method outperforms existing ones in correcting local distributions, and leads to strongly improved spatial patterns especially regarding the intermittency of daily precipitation. Notably, a double-peaked Intertropical Convergence Zone, a common problem in ESMs, is removed. Enforcing a physical constraint to preserve global precipitation sums, the GAN can generalize to future climate scenarios unseen during training. Feature attribution shows that the GAN identifies regions where the ESM exhibits strong biases. Our method constitutes a general framework for correcting ESM variables and enables realistic simulations at a fraction of the computational costs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google