[论文解读] DeepClimGAN: A High-Resolution Climate Data Generator

Alexandra Puchko, Robert Link+3 more|arXiv (Cornell University)|Nov 23, 2020

Meteorological Phenomena and Simulations参考文献 19被引用 8

一句话总结

DeepClimGAN 提出了一种条件生成对抗网络（cGAN），可基于低分辨率月度气候趋势和近期气象状态，生成128×256网格上32天周期的高分辨率、时空每日气候数据（温度、湿度、降水）。该模型成功再现了真实的每日温度分布，并在月度边界处保持了时间连续性，从而实现了气候极端事件的可扩展模拟。

ABSTRACT

Earth system models (ESMs), which simulate the physics and chemistry of the global atmosphere, land, and ocean, are often used to generate future projections of climate change scenarios. These models are far too computationally intensive to run repeatedly, but limited sets of runs are insufficient for some important applications, like adequately sampling distribution tails to characterize extreme events. As a compromise, emulators are substantially less expensive but may not have all of the complexity of an ESM. Here we demonstrate the use of a conditional generative adversarial network (GAN) to act as an ESM emulator. In doing so, we gain the ability to produce daily weather data that is consistent with what ESM might output over any chosen scenario. In particular, the GAN is aimed at representing a joint probability distribution over space, time, and climate variables, enabling the study of correlated extreme events, such as floods, droughts, or heatwaves.

研究动机与目标

• 开发一种快速、高分辨率的气候数据生成器，以模拟地球系统模型（ESMs）的输出，但无需其计算成本。
• 生成多变量气候变量（温度、湿度、降水）在影响建模中一致且时间连续的每日天气数据。
• 通过生成大量逼真的气候情景，实现极端气候事件的采样。
• 通过依赖近期气象状态和低分辨率气候趋势，确保在月度边界处的时间连续性。
• 提供一种可扩展、可泛化的工具，用于气候风险评估与影响研究。

提出的方法

• 采用条件生成对抗网络架构，生成器输出三维时空结果（H×W×T×V），用于32天的预报周期。
• 生成器使用三维转置卷积，结合批量归一化和ReLU激活函数，并注入两类上下文信息：近期气象（K天历史，c₂）和月平均值（c₁）。
• 将上下文信息在空间上下采样，沿时间维度复制，并在每个三维上采样卷积层的通道维上进行拼接。
• 判别器使用三维卷积，结合Leaky ReLU激活函数和批量归一化，通过Sigmoid输出判断样本为真实或生成。
• 训练采用交替更新策略，使用Adam优化器（初始学习率=0.0002，β₁=0.5），并引入噪声注入和经验回放进行数据增强。
• 通过预训练对齐生成温度和降水的边缘统计特性与真实数据。

实验结果

研究问题

• RQ1 条件生成对抗网络能否生成与真实地球系统模型输出统计特性一致的高分辨率每日气候数据？
• RQ2 当串联生成预报时，该模型在月度边界处维持时间连续性的程度如何？
• RQ3 生成器在多大程度上能准确再现关键气候变量（如温度和降水）的边缘分布与联合分布？
• RQ4 该模型能否通过生成大量合理未来情景，高效地采样极端气候事件？
• RQ5 不同的架构选择与训练技术如何影响生成气候数据的真实感与稳定性？

主要发现

• 生成器生成的每日平均温度分布与真实CMIP5数据高度一致，如在320个随机选取的32天周期内通过直方图对比所示。
• 在不同气候区域的六个空间位置，生成的每日温度序列在视觉和统计上均与真实数据高度相似，表明其具备逼真的时空模式。
• 通过依赖前序生成数据的最后K天，模型成功在月度边界处维持了时间连续性，避免了统计伪影。
• 预训练显著提升了生成数据边缘统计特性（如温度、降水）与观测数据的一致性。
• 该模型对底层地球系统模型无依赖性，仅通过更换训练数据分布，即可模拟不同气候情景。
• 初步结果表明，该模型可用于生成大规模高分辨率气候数据，支持下游影响建模与极端事件分析。