[논문 리뷰] DeepSD: Generating High Resolution Climate Change Projections through Single Image Super-Resolution

Thomas Vandal, Evan Kodra외 4명|arXiv (Cornell University)|2017. 03. 08.

Meteorological Phenomena and Simulations인용 수 52

한 줄 요약

DeepSD는 다중 스케일 입력을 갖춘 스택형 초해상도 CNN을 사용하여 기후 변수를 통계적으로 다운스케일하고, BCSD 및 기타 방법들에 비해 고해상도 강수 예측을 향상시킵니다.

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.

연구 동기 및 목표

• 자 coarse ESMs를 넘는 지역 기후의 고해상도 예측 필요성을 제시한다.
• 이미지 초해상도 기술을 기후 데이터에 적용하여 공간적으로 인지된 통계적 다운스케일링 방법을 제안한다.
• 다중 스케일 입력과 지형 특성을 활용한 보강된 스택드 SRCNN 프레임워크인 DeepSD를 개발한다.
• CONUS 일일 강수량 데이터를 대상으로 DeepSD를 기존의 다운스케일링 방법과 평가한다.
• NASA의 NEX 플랫폼에서 대규모 기후 모델 시뮬레이션 앙상블에 대한 확장 가능성을 논의한다.

제안 방법

• 강수량, 고도 등과 같은 기후 변수를 이미지 유사 다채널 데이터로 표현한다.
• 패치 기반 학습을 사용하여 저해상도 격자를 고해상도 격자로 매핑하기 위해 3층 SRCNN을 구성한다.
• 업스케일링 단계마다 독립적으로 학습되는 SRCNN을 쌓아 DeepSD를 만든다.
• 각 스케일링 수준에서 입력 채널로 고정된 고해상도 지형(고도)을 포함한다.
• Adam 최적화를 사용하여 학습하고; 51x51 패치를 사용하며; 테스트 시 크기를 유지하기 위해 패딩을 재현한다.
• Bias, Corr, RMSE, 및 Skill과 같은 지표를 사용하여 BCSD 및 ASD 접근법과 비교 평가한다.

실험 결과

연구 질문

• RQ1 스택드 초해상도 CNN 프레임워크가 기후 데이터의 공간 의존성을 이용하여 전통적 방법보다 다운스케일 정확도를 향상시킬 수 있는가?
• RQ2 고해상도 지형 특성을 도입하는 것이 규모 간의 다운스케일된 강수 성능을 향상시키는가?
• RQ3 DeepSD 다운스케일 출력이 계절에 걸쳐 견고하고 극심 강수도를 기초 방법보다 더 잘 처리하는가?
• RQ4 NASA의 NEX 같은 플랫폼에서 기후 모델 시뮬레이션 앙상블의 다운스케일링에 DeepSD가 확장 가능한가?

주요 결과

• DeepSD가 1000개의 CONUS 위치에서 Bias, Corr, RMSE 측면에서 Lasso, ANN, SVM보다 우수했다.
• BCSD보다 더 높은 Corr(0.914)와 더 낮은 RMSE(2.529 mm/day)를 달성했다(BCSD Corr 0.849, RMSE 4.414 mm/day).
• DeepSD는 BCSD(0.955)에 근접한 0.947의 스킬을 제공하며 실행 시간은 더 빨랐다(연간 DeepSD 71초 vs BCSD 13초).
• 계절 전반에 걸쳐 강한 성능을 유지했고 전체적으로 BCSD보다 더 높은 상관과 더 낮은 RMSE를 보였다.
• 극한 강수 이벤트를 다운스케일링할 때 DeepSD가 BCSD보다 더 안정적이었다.