[论文解读] Deep generative model super-resolves spatially correlated multiregional climate data

Norihiro Oyama, Noriko N. Ishizaki+2 more|arXiv (Cornell University)|Sep 26, 2022

Cryospheric studies and observations被引用 4

一句话总结

本文提出一种物理信息驱动的深度生成模型 $π$ SRGAN，可将粗糙全球气候模型（GCM）输出超分辨率至高空间分辨率（最高达50倍放大），同时保持区域间空间相关性与局部统计一致性。通过整合海平面气压和地形作为辅助输入，该方法在重建真实、物理一致的气候场方面优于传统统计降尺度方法，尤其在温度和降水方面表现更优。

ABSTRACT

Super-resolving the coarse outputs of global climate simulations, termed downscaling, is crucial in making political and social decisions on systems requiring long-term climate change projections. Existing fast super-resolution techniques, however, have yet to preserve the spatially correlated nature of climatological data, which is particularly important when we address systems with spatial expanse, such as the development of transportation infrastructure. Herein, we show an adversarial network-based machine learning enables us to correctly reconstruct the inter-regional spatial correlations in downscaling with high magnification of up to fifty while maintaining pixel-wise statistical consistency. Direct comparison with the measured meteorological data of temperature and precipitation distributions reveals that integrating climatologically important physical information improves the downscaling performance, which prompts us to call this approach $π$SRGAN (Physics Informed Super-Resolution Generative Adversarial Network). The proposed method has a potential application to the inter-regionally consistent assessment of the climate change impact. Additionally, we present the outcomes of another variant of the deep generative model-based downscaling approach in which the low-resolution precipitation field is substituted with the pressure field, referred to as $ψ$SRGAN (Precipitation Source Inaccessible SRGAN). Remarkably, this method demonstrates unexpectedly good downscaling performance for the precipitation field.

研究动机与目标

• 解决现有快速降尺度方法在气候模拟中难以保持远距离区域间空间相关性模式的局限性。
• 提升超分辨率气候数据的真实性，以支持基础设施、能源和城市规划中的长期影响评估。
• 开发一种深度生成模型，整合气候学相关的物理变量（如气压、地形），以增强降尺度过程的现实感与一致性。
• 证明在基于生成对抗网络的超分辨率中引入物理约束，可显著优于纯统计或插值方法。

提出的方法

• 该方法采用源自SRGAN的生成对抗网络（GAN）架构，其中生成器被训练为从低分辨率GCM输出生成高分辨率气候场。
• 将海平面气压和地形作为辅助输入送入生成器，以增强物理真实性并改善空间相关性重建。
• 判别器网络被训练以区分真实高分辨率观测数据与生成的高分辨率输出，从而促进真实纹理与空间结构的生成。
• 应用物理信息损失函数，确保生成结果与气候系统中已知的物理关系保持一致。
• 使用对抗损失、感知损失（VGG特征匹配）和像素级L1损失的组合进行训练，以平衡真实感与统计准确性。
• 还开发了一种变体 $ψ$ SRGAN，当缺乏降水数据时，利用气压场作为输入实现降水的降尺度处理。

实验结果

研究问题

• RQ1 深度生成模型能否在实现高达50倍放大率的同时，保持多区域气候降尺度中的区域间空间相关性？
• RQ2 与纯统计方法相比，整合物理辅助数据（如海平面气压、地形）在多大程度上提升了超分辨率气候场的真实感与准确性？
• RQ3 所提出的 $π$ SRGAN 在多大程度上优于传统统计降尺度方法（如CDFDM），在保持局部统计与空间相关性模式方面表现更优？
• RQ4 当降水场本身未作为输入时，基于GAN的模型是否仍能实现高质量的降水降尺度处理，如 $ψ$ SRGAN 变体所示？

主要发现

• $π$ SRGAN 方法成功以高保真度重建了区域间的空间相关性系数，其分布与实测气象数据的真值高度一致。
• 该模型在实现50倍放大率的同时，保持了与观测数据一致的像素级统计特性。
• 整合物理辅助变量（气压与地形）显著提升了生成气候场的真实感，尤其在捕捉大尺度空间模式方面表现突出。
• $π$ SRGAN 在保持空间相关性方面优于传统 CDFDM 方法，而后者在标准统计降尺度方法中常导致相关性丢失。
• $ψ$ SRGAN 变体虽以气压场代替降水场作为输入，却意外地在降水降尺度中表现出色，表明潜在的物理关系可被有效利用。
• 该方法展现出改进的物理一致性，例如符合预期的能量谱特性，表明其不仅实现统计匹配，还捕捉到了基本的气候动力学机制。