[论文解读] A Generative Deep Learning Approach to Stochastic Downscaling of Precipitation Forecasts

Lucy Harris, Andrew T. T. McRae+3 more|arXiv (Cornell University)|Apr 5, 2022

Meteorological Phenomena and Simulations被引用 13

一句话总结

本文提出一种基于生成对抗网络（GAN）和变自编码器-生成对抗网络（VAE-GAN）的深度学习框架，利用高分辨率雷达观测作为真实值，将低分辨率全球天气预报降水量数据随机下采样至10倍更高分辨率的英国区域。该方法生成的空间一致、统计准确的降水集合预报在像素级和聚合CRPS评分、功率谱保真度以及校准性方面均优于当前最先进的逐点下采样方法。

ABSTRACT

Despite continuous improvements, precipitation forecasts are still not as accurate and reliable as those of other meteorological variables. A major contributing factor to this is that several key processes affecting precipitation distribution and intensity occur below the resolved scale of global weather models. Generative adversarial networks (GANs) have been demonstrated by the computer vision community to be successful at super-resolution problems, i.e., learning to add fine-scale structure to coarse images. Leinonen et al. (2020) previously applied a GAN to produce ensembles of reconstructed high-resolution atmospheric fields, given coarsened input data. In this paper, we demonstrate this approach can be extended to the more challenging problem of increasing the accuracy and resolution of comparatively low-resolution input from a weather forecasting model, using high-resolution radar measurements as a "ground truth". The neural network must learn to add resolution and structure whilst accounting for non-negligible forecast error. We show that GANs and VAE-GANs can match the statistical properties of state-of-the-art pointwise post-processing methods whilst creating high-resolution, spatially coherent precipitation maps. Our model compares favourably to the best existing downscaling methods in both pixel-wise and pooled CRPS scores, power spectrum information and rank histograms (used to assess calibration). We test our models and show that they perform in a range of scenarios, including heavy rainfall.

研究动机与目标

• 提升全球天气模型降水预报的空间分辨率和准确性，以应对粗网格间距（10–80公里）及对小尺度过程表征不足的问题。
• 生成空间一致的高分辨率降水集合预报，反映预报不确定性并匹配观测的统计特性。
• 解决由于模型误差导致预报与真实数据在时空上错位时的下采样挑战，尤其在强降雨事件中。
• 证明生成对抗网络在分辨率和校准性方面可超越传统逐点后处理方法。
• 为复杂地形和沿海效应区域提供更可靠的极端降雨影响预报。

提出的方法

• 训练一个条件生成对抗网络（cGAN），将粗分辨率ECMWF IFS预报场映射为高分辨率降水场，使用NIMROD雷达观测作为真实值。
• 模型采用U-Net结构的生成器和PatchGAN判别器，以学习精细尺度空间结构，同时保留大尺度气象特征。
• 采用VAE-GAN变体以改善潜在空间正则化，提升样本多样性与校准性。
• 训练过程中将静态场（如地形、陆海掩膜）作为额外输入通道，以引导空间真实感。
• 损失函数包括对抗损失、感知损失（基于VGG）以及L1/L2重建损失，以平衡保真度与真实性。
• 通过从训练好的生成器中采样不同噪声向量，生成集合预报，得到可能的高分辨率降水场的随机实现。

实验结果

研究问题

• RQ1 基于GAN的方法能否在保持空间一致性的前提下，有效将低分辨率全球天气模型降水预报下采样至10倍更高分辨率？
• RQ2 与当前最先进的逐点后处理技术相比，基于GAN的下采样方法在CRPS、功率谱和校准性方面的表现如何？
• RQ3 IFS模型与NIMROD雷达数据之间的预报误差在多大程度上限制了模型性能？该限制是否可被缓解？
• RQ4 该模型能否在最具挑战性的极端降雨事件中生成可靠且校准良好的集合预报？
• RQ5 与标准GAN相比，使用VAE-GAN架构是否能提升样本多样性与校准性？

主要发现

• GAN与VAE-GAN模型的聚合CRPS（0.0856 mm/hr）和像素级CRPS均低于最佳逐点下采样方法（ecPoint），表明预报准确性更优。
• 模型生成的降水图谱在功率谱特性上与观测结果高度一致，在谱保真度方面优于ecPoint。
• 等级直方图显示，基于GAN的集合预报校准良好，即使在极端事件中也无显著校准偏差。
• 该模型在CRPS与校准性指标上均优于ecPoint，证明生成模型可超越传统统计后处理方法。
• 当在NIMROD到NIMROD映射（无预报误差）上训练时，CRPS显著下降至0.0230 mm/hr，表明预报-模型错位是性能的主要瓶颈。
• 该方法在多种情景下（包括强降雨事件）成功生成了逼真、空间一致的高分辨率降水场。