[论文解读] A Multi-Scale Deep Learning Framework for Projecting Weather Extremes

Antoine Blanchard, Nishant Parashar+3 more|arXiv (Cornell University)|Oct 21, 2022

Meteorological Phenomena and Simulations被引用 11

一句话总结

本文提出了一种多尺度深度学习框架，利用再分析观测数据校正粗分辨率全球气候模型（GCM）中的偏差，并通过重建精细尺度大气特征来提升其分辨率。通过结合小波基多分辨率分解、强调极端事件的物理信息统计损失函数，以及分而治之的训练策略，该方法生成了西欧地区统计上真实、高分辨率的天气极端事件模拟，相较于原始GCM输出，在尾部分布统计和空间一致性方面均有显著改善。

ABSTRACT

Weather extremes are a major societal and economic hazard, claiming thousands of lives and causing billions of dollars in damage every year. Under climate change, their impact and intensity are expected to worsen significantly. Unfortunately, general circulation models (GCMs), which are currently the primary tool for climate projections, cannot characterize weather extremes accurately. To address this, we present a multi-resolution deep-learning framework that, firstly, corrects a GCM's biases by matching low-order and tail statistics of its output with observations at coarse scales; and secondly, increases the level of detail of the debiased GCM output by reconstructing the finer scales as a function of the coarse scales. We use the proposed framework to generate statistically realistic realizations of the climate over Western Europe from a simple GCM corrected using observational atmospheric reanalysis. We also discuss implications for probabilistic risk assessment of natural disasters in a changing climate.

研究动机与目标

• 为解决粗分辨率全球气候模型（GCM）对天气极端事件表征不佳的问题，这些模型存在统计偏差且分辨率不足。
• 通过在任意分辨率下生成高保真、统计一致的气候实现，提升自然灾害的概率风险评估能力。
• 克服基于机器学习的气候建模中跨尺度非线性能量传递和非确定性精细尺度动力学带来的挑战。
• 通过结合基于物理的GCM与数据驱动的深度学习，实现极端天气事件的高效、大规模模拟。
• 通过新颖的统计损失函数和多尺度小波分解，确保生成气候场的物理一致性和稳定性。

提出的方法

• 该框架使用离散球面小波框架将大气变量分解为多尺度分量，实现有效的尺度分离和高效计算。
• 采用半监督的LSTM神经网络，通过匹配其低阶统计量和尾部分布与ERA5再分析数据，对粗尺度GCM输出进行校正。
• 设计了一种自定义统计损失函数，通过最小化模型输出与观测之间在功率谱和互谱上的差异，强调极端事件和空间一致性。
• 通过一个独立的深度学习模型执行精细尺度重建，将粗尺度小波系数映射为高分辨率对应分量，训练数据来源于再分析数据。
• 采用分而治之的训练策略，使每个小波中心处的局部神经网络可并行训练，同时通过共享损失函数实现信息交互。
• 该方法包含两个阶段：(1) 以再分析数据为基准，对粗尺度GCM输出进行去偏处理；(2) 从去偏后的粗尺度场中重建精细尺度特征。

实验结果

研究问题

• RQ1 深度学习框架能否在保留大尺度大气动力学的前提下，有效校正粗分辨率GCM输出中的统计偏差？
• RQ2 数据驱动模型在不引入虚假结构的前提下，能否从粗尺度输入中准确重建精细尺度大气特征？
• RQ3 谱和互谱损失函数的引入在多大程度上提升了气候模拟中极端事件统计的真实性？
• RQ4 多尺度小波表示能否在湍流大气流中实现跨不同空间尺度的稳定且物理一致的学习？
• RQ5 与原始GCM输出相比，所提出的框架在捕捉涡度及其他关键气象变量的时间与空间分布方面表现如何？

主要发现

• 去偏步骤成功校正了SPEEDY GCM中涡度的时间概率密度函数和功率谱，尤其显著改善了分布尾部极端事件的表征。
• 在选定城市，去偏输出与ERA5再分析数据在涡度月度分布上表现出强一致性，准确捕捉了极端事件分析中关键的0.1和0.9分位数。
• 去偏模拟的季节平均涡度与再分析数据高度吻合，证实了其在气候循环中的持续性能。
• 视觉对比显示，机器学习模型在最小程度改变原始GCM流场的前提下完成了统计偏差校正，同时保留了大尺度流场模式。
• 分辨率增强步骤以高保真度重建了精细尺度涡度，经时间统计和重建快照的视觉检查得到验证。
• 全尺度去偏模拟在巴黎和伦敦以外的七个城市也与再分析数据高度一致，表现为概率密度函数和谱振幅的匹配。