[論文レビュー] Climate Downscaling: A Deep-Learning Based Super-resolution Model of Precipitation Data with Attention Block and Skip Connections

Chia-Hao Chiang, Zheng-Han Huang+7 more|arXiv (Cornell University)|Mar 26, 2024

Cryospheric studies and observations被引用数 6

ひとこと要約

この論文は、残差注意ブロック、スキップ接続、および補助的な地形データを用いた深層CNNアーキテクチャを提案し、台湾のERA5からTCCIPへの多様な降水データを低分解能から高分解能へダウンスケールし、他の手法を複数の指標で上回る。

ABSTRACT

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.

研究の動機と目的

• 強い気候 forcing とデータの異質性を伴う地域で高分解能降水量ダウンスケーリングの必要性を動機づける。
• 低解像度の入力から高分解能降水を補正し産出できる深層学習アーキテクチャを開発する。
• ダウンスケーリング精度を改善するために補助的な地形データを組み込む。
• 提案手法を統計的および機械学習のベースラインと比較して性能向上を示す。

提案手法

• 低分解像度入力を高分解像度の特徴マップへ変換する階層的畳み込みバイアス補正バックボーンを用いる。
• 残差学習を助け、マルチレベルの特徴マップを統合するためにスキップ接続を取り入れる。
• 学習中にチャネルと空間の特徴を強調するよう、CBAMベースの残差アテンションブロックを統合する。
• 画素シャッフルを用いたワンステップの画像アップスケーリング層を適用し、アーチファクトを減らす補正畳み込みを行う。
• 補助的な高度データを処理済み特徴と融合させて降水ダウンスケーリングの精度を高める。
• ERA5を入力、地上観測としてのTCCIPを教師データとする監督学習の下で、端から端まで訓練する。

実験結果

リサーチクエスチョン

• RQ1 Residual attentionとスキップ接続を備えた深層CNNはERA5から高分解能観測への異質な降水データを効果的にダウンスケールできるか。
• RQ2 強い気候 forcingを持つ台湾の地域で地形補助データを組み込むことはダウンスケーリングの性能を改善するか。
• RQ3 提案モデルは統計的ダウンスケーリングや他のML/DL気候ダウンスケーリング手法と、複数の評価指標においてどのように比較されるか。

主な発見

• 提案モデルは、MAE、RMSE、Pearson相関、SSIMなど複数の指標でベースラインと比較して優れたダウンスケーリング性能を示す。
• 異質データ対と強い区域フォーシングを扱うよう設計されており、バイアス補正を改善する。
• 地形データの融合はダウンスケールされた降水出力の品質向上に寄与する。
• YNet、FSRCNN-ESM、DeepSD、QM、BCSDなど本研究で扱う手法と比較して定性的および定量的結果が有利である。
• 台湾全体のERA5入力とTCCIPの日降水量ターゲットで訓練することで、入力-to-outputのスケーリング因子が小さいにもかかわらず効果的なダウンスケーリングを示す。