[論文レビュー] DeepSD: Generating High Resolution Climate Change Projections through Single Image Super-Resolution

Thomas Vandal, Evan Kodra+4 more|arXiv (Cornell University)|Mar 8, 2017

Meteorological Phenomena and Simulations被引用数 52

ひとこと要約

DeepSDは積み重ねた超解像CNNを用い、マルチスケール入力で気候変数を統計的にダウンスケールし、高解像度の降水予測をBCSDおよび他の手法より改善します。

ABSTRACT

The impacts of climate change are felt by most critical systems, such as infrastructure, ecological systems, and power-plants. However, contemporary Earth System Models (ESM) are run at spatial resolutions too coarse for assessing effects this localized. Local scale projections can be obtained using statistical downscaling, a technique which uses historical climate observations to learn a low-resolution to high-resolution mapping. Depending on statistical modeling choices, downscaled projections have been shown to vary significantly terms of accuracy and reliability. The spatio-temporal nature of the climate system motivates the adaptation of super-resolution image processing techniques to statistical downscaling. In our work, we present DeepSD, a generalized stacked super resolution convolutional neural network (SRCNN) framework for statistical downscaling of climate variables. DeepSD augments SRCNN with multi-scale input channels to maximize predictability in statistical downscaling. We provide a comparison with Bias Correction Spatial Disaggregation as well as three Automated-Statistical Downscaling approaches in downscaling daily precipitation from 1 degree (~100km) to 1/8 degrees (~12.5km) over the Continental United States. Furthermore, a framework using the NASA Earth Exchange (NEX) platform is discussed for downscaling more than 20 ESM models with multiple emission scenarios.

研究の動機と目的

• コースなESMsを超えるより高解像度の地域気候予測の必要性を動機づける。
• 気候データへ画像超解像技術を適用して空間的に配慮した統計的ダウンスケーリング手法を提案。
• DeepSDを開発: 多尺度入力と地形特徴を用いた拡張されたスタック型SRCNNフレームワーク。
• CONUS日降水量データで既存のダウンスケーリング法とDeepSDを評価。
• NASAのNEXプラットフォーム上で気候モデルシミュレーションの大規模アンサンブルへ拡張性を議論。

提案手法

• 気候変数を画像のようなマルチチャネルデータ（降水、標高など）として表現。
• パッチベース学習を用いて低解像度から高解像度グリッドへ写像する3層のSRCNNを構築。
• アップスケーリングの各段階で独立訓練を行いDeepSDを形成するスタック型SRCNN。
• 各スケーリングレベルで静的な高解像度地形（標高）を入力チャネルとして取り入れる。
• Adam最適化で訓練；51x51パッチを使用；テスト時にサイズを維持するためパディングを再現。
• BCSDとASDアプローチを、Bias、Corr、RMSE、Skillなどの指標で比較評価。

実験結果

リサーチクエスチョン

• RQ1 気候データの空間依存性を活用できるスタック型超解像CNNフレームワークは、従来手法よりダウンスケーリング精度を向上させられるか。
• RQ2 高解像度の地形特徴を組み込むことで、スケールを跨いだ降水予測の性能は改善されるか。
• RQ3 DeepSDのダウンスケーリング結果は季節を超えて頑健で、極端な降水に対してベースライン手法より優れているか。
• RQ4 DeepSDはNASAのNEXのようなプラットフォーム上で気候モデルのエンセmbleをダウンスケールするスケール性を持つか。

主な発見

• DeepSDはCONUSの1000地点で、バイアス、相関、RMSEの面でLasso、ANN、SVMを上回った。
• DeepSDはBCSDより高い相関(0.914)と低いRMSE(2.529 mm/day)を達成（Corr 0.914, RMSE 2.529 mm/day）対して。
• DeepSDはBCSDと競合するスキル(0.947)を示しつつ、実行時間も速く（DeepSD 71s/年対BCSD 13s/年）
• DeepSDは季節を通して強い性能を維持し、BCSDより高い相関と低いRMSEを全体で示した。
• 極端な降水イベントのダウンスケーリングでも、DeepSDはBCSDより安定していた。