[论文解读] Deep learning for bias-correcting CMIP6-class Earth system models

Philipp Heß, Stefan Lange+2 more|arXiv (Cornell University)|Dec 16, 2022

Climate variability and models被引用 9

一句话总结

本文提出一种物理约束的生成对抗网络（cGAN），用于同时校正CMIP6类地球系统模型（ESM）降水输出中的局部频率偏差与空间模式。该方法显著改善了降水极端事件的空间间歇性——优于当前最先进的偏差校正方法——同时保持长期趋势，并在校正局部分布方面与分位数映射相当或更优。

ABSTRACT

The accurate representation of precipitation in Earth system models (ESMs) is crucial for reliable projections of the ecological and socioeconomic impacts in response to anthropogenic global warming. The complex cross-scale interactions of processes that produce precipitation are challenging to model, however, inducing potentially strong biases in ESM fields, especially regarding extremes. State-of-the-art bias correction methods only address errors in the simulated frequency distributions locally at every individual grid cell. Improving unrealistic spatial patterns of the ESM output, which would require spatial context, has not been possible so far. Here, we show that a post-processing method based on physically constrained generative adversarial networks (cGANs) can correct biases of a state-of-the-art, CMIP6-class ESM both in local frequency distributions and in the spatial patterns at once. While our method improves local frequency distributions equally well as gold-standard bias-adjustment frameworks, it strongly outperforms any existing methods in the correction of spatial patterns, especially in terms of the characteristic spatial intermittency of precipitation extremes.

研究动机与目标

• 解决当前偏差校正方法仅校正局部频率分布而未考虑降水空间模式的局限性。
• 开发一种后处理框架，同时校正ESM模拟降水中的局部统计偏差与大尺度空间间歇性。
• 在校正后的降水场中保持长期气候趋势，确保与基于再分析数据校准的影响模型兼容。
• 评估cGAN方法在纠正极端降水特征方面相对于标准分位数映射与多变量偏差校正技术的性能。
• 证明利用深度学习结合物理约束实现高分辨率、全球一致的气候数据后处理的可行性。

提出的方法

• 训练条件生成对抗网络（cGAN），将低分辨率、有偏差的ESM降水场转换为类似于再分析数据（W5E5）的高分辨率真实场。
• 通过物理约束确保全球日总降水量不变，从而保证时间序列上的趋势一致性。
• 该方法使用生成器网络学习从ESM输出到类似观测降水场的映射，同时判别器确保空间真实感与统计保真度。
• 在两阶段流程中将该方法与分位数映射（QM）结合，以进一步提升局部分布的准确性。
• 采用谱密度与分形维数指标定量评估空间模式的真实性，尤其针对间歇性极端事件。
• 模型在20年历史ESM与再分析数据上进行训练，评估基于独立测试期与重现期统计量。

实验结果

研究问题

• RQ1 基于深度学习的后处理方法能否同时校正CMIP6类ESM降水模拟中的局部频率偏差与空间模式？
• RQ2 与标准分位数映射相比，cGAN方法在纠正降水时间分布（尤其是极端事件）方面表现如何？
• RQ3 与现有偏差校正技术相比，cGAN在改善降水场的空间间歇性与分形结构方面程度如何？
• RQ4 对全球总降水量施加物理约束是否会影响空间模式校正质量或趋势保持能力？
• RQ5 cGAN与QM结合的方法是否能在校正降水的局部与空间特征方面优于单一方法？

主要发现

• cGAN方法在通过谱密度与分形维数衡量时，显著优于现有偏差校正技术，能更真实再现降水极端事件的典型空间间歇性。
• cGAN在局部频率分布校正方面达到与黄金标准分位数映射相当或更优的效果，尤其在95百分位与10年重现期事件中表现突出。
• 物理约束的cGAN在保持全球总降水量长期气候趋势方面表现优异，且未降低空间模式质量。
• cGAN与ISIMIP3BASD分位数映射结合后，对罕见极端事件的性能进一步提升，可能得益于分位数估计的更大训练样本。
• 该方法降低了高强度降水事件等待时间分布的偏差，其中cGAN-ISIMIP3BASD组合改善效果最强。
• 使用分形维数作为指标证实，cGAN生成的空间模式比基线方法更真实，尤其在捕捉极端事件的复杂结构方面。