[论文解读] Algorithmic Hallucinations of Near-Surface Winds: Statistical Downscaling with Generative Adversarial Networks to Convection-Permitting Scales

Nicolaas J. Annau, Alex J. Cannon+1 more|arXiv (Cornell University)|Feb 17, 2023

Meteorological Phenomena and Simulations被引用 6

一句话总结

该论文将生成对抗网络（GANs）与频谱分离技术结合，利用WRF模型输出作为高分辨率目标，对北美洲近地表风场进行统计降尺度处理，实现对对流允许尺度的模拟。研究发现，对抗损失在塑造空间变异性方面起着关键作用，而通过RAPSD进行的谱评估揭示了尺度依赖性偏差，进而提出了一种新型的局部频谱分离方案，以更好地控制生成场中的空间结构。

ABSTRACT

This paper explores the application of emerging machine learning methods from image super-resolution (SR) to the task of statistical downscaling. We specifically focus on convolutional neural network-based Generative Adversarial Networks (GANs). Our GANs are conditioned on low-resolution (LR) inputs to generate high-resolution (HR) surface winds emulating Weather Research and Forecasting (WRF) model simulations over North America. Unlike traditional SR models, where LR inputs are idealized coarsened versions of the HR images, WRF emulation involves using non-idealized LR and HR pairs resulting in shared-scale mismatches due to internal variability. Our study builds upon current SR-based statistical downscaling by experimenting with a novel frequency-separation (FS) approach from the computer vision field. To assess the skill of SR models, we carefully select evaluation metrics, and focus on performance measures based on spatial power spectra. Our analyses reveal how GAN configurations influence spatial structures in the generated fields, particularly biases in spatial variability spectra. Using power spectra to evaluate the FS experiments reveals that successful applications of FS in computer vision do not translate to climate fields. However, the FS experiments demonstrate the sensitivity of power spectra to a commonly used GAN-based SR objective function, which helps interpret and understand its role in determining spatial structures. This result motivates the development of a novel partial frequency-separation scheme as a promising configuration option. We also quantify the influence on GAN performance of non-idealized LR fields resulting from internal variability. Furthermore, we conduct a spectra-based feature-importance experiment allowing us to explore the dependence of the spatial structure of generated fields on different physically relevant LR covariates.

研究动机与目标

• 开发一种基于机器学习的统计降尺度框架，用于近地表风场，采用GANs。
• 解决由于大气内部变异性导致的非理想化、随机变化的低分辨率（LR）与高分辨率（HR）数据对所带来的挑战。
• 使用空间功率谱（RAPSD）而非标准指标评估基于GAN的降尺度效果，实现对模型性能的尺度特定评估。
• 研究不同损失函数和协变量如何影响生成风场的空间结构。
• 提出并测试一种新型的局部频谱分离（FS）方案，以改善GAN生成场中空间变异性控制。

提出的方法

• 训练带有梯度惩罚的Wasserstein GAN（WGAN-GP），以低分辨率大气协变量为条件生成高分辨率风场。
• 采用受计算机视觉启发的频谱分离（FS）损失组件，将生成器的目标分解为低频与高频分量。
• 应用一种局部频谱分离（PFS）方案，实现对不同空间尺度上对抗损失与内容损失的独立控制。
• 使用空间功率谱（RAPSD）评估模型性能，比较生成风场与真实风场在各尺度上的表现。
• 开展特征重要性实验，量化单个低分辨率协变量（如CAPE、位势高度）对空间结构的影响。
• 通过Docker化环境与代码归档实现结果的完全可复现。

实验结果

研究问题

• RQ1 不同的GAN架构与损失函数在多大程度上影响生成的近地表风场的空间变异性？
• RQ2 计算机视觉中的频谱分离技术在多大程度上可迁移至气候场降尺度任务？
• RQ3 高分辨率WRF模拟中的内部变异性在多大程度上影响降尺度模型的保真度？
• RQ4 哪些低分辨率协变量对生成风场的空间结构影响最为显著？
• RQ5 局部频谱分离方案是否能改善基于GAN的降尺度中跨尺度的空间变异性表征？

主要发现

• GAN中的对抗损失在跨尺度生成真实空间变异性方面起着关键作用，尤其在高频分量中表现显著。
• 标准的计算机视觉频谱分离方法并未提升谱性能，但揭示了对抗损失主导了空间功率谱的形状。
• 局部频谱分离（PFS）方案能有效实现不同尺度上损失分量的解耦，且对超参数α与N表现出敏感性，表明其作为可配置工具控制空间结构具有潜力。
• 非理想化的低分辨率场因内部变异性，在大空间尺度上引入低功率偏差，而通过引入物理相关的协变量可有效缓解该问题。
• 特征重要性分析表明，CAPE是细尺度风场变异性的重要驱动因素，其影响具有区域性差异。
• 基于RAPSD的评估揭示了生成变异性中的系统性偏差，证明其作为气候应用中比较超分辨率模型的尺度特定度量具有重要价值。