[论文解读] DeepSD: Generating High Resolution Climate Change Projections through Single Image Super-Resolution

Thomas Vandal, Evan Kodra+4 more|arXiv (Cornell University)|Mar 8, 2017

Meteorological Phenomena and Simulations被引用 52

一句话总结

DeepSD 使用堆叠超分辨率 CNN 与多尺度输入，对气候变量进行统计下缩放，相较于 BCSD 与其他方法，提升了高分辨率降水预测。

ABSTRACT

The impacts of climate change are felt by most critical systems, such as infrastructure, ecological systems, and power-plants. However, contemporary Earth System Models (ESM) are run at spatial resolutions too coarse for assessing effects this localized. Local scale projections can be obtained using statistical downscaling, a technique which uses historical climate observations to learn a low-resolution to high-resolution mapping. Depending on statistical modeling choices, downscaled projections have been shown to vary significantly terms of accuracy and reliability. The spatio-temporal nature of the climate system motivates the adaptation of super-resolution image processing techniques to statistical downscaling. In our work, we present DeepSD, a generalized stacked super resolution convolutional neural network (SRCNN) framework for statistical downscaling of climate variables. DeepSD augments SRCNN with multi-scale input channels to maximize predictability in statistical downscaling. We provide a comparison with Bias Correction Spatial Disaggregation as well as three Automated-Statistical Downscaling approaches in downscaling daily precipitation from 1 degree (~100km) to 1/8 degrees (~12.5km) over the Continental United States. Furthermore, a framework using the NASA Earth Exchange (NEX) platform is discussed for downscaling more than 20 ESM models with multiple emission scenarios.

研究动机与目标

• 推动需要比粗略地球系统模型（ESMs）更高分辨率的局部气候预报。
• 通过将图像超分辨率技术应用到气候数据，提出一种具有空间感知能力的统计下缩放方法。
• 开发 DeepSD：使用多尺度输入和地形特征的增强堆叠 SRCNN 框架。
• 在 CONUS（大陆美国）日降水数据上将 DeepSD 与既定下缩放方法进行对比评估。
• 讨论在 NASA 的 NEX 平台上对大规模气候模式模拟集合的可扩展性。

提出的方法

• 将气候变量表示为图像样的多通道数据（降水、海拔等）。
• 构建三层 SRCNN，以基于补丁的学习将低分辨率网格映射到高分辨率网格。
• 堆叠 SRCNN，在每个上采样步骤进行独立训练，形成 DeepSD。
• 在每个缩放级别将静态高分辨率地形（海拔）作为输入通道。
• 使用 Adam 优化进行训练；采用 51x51 的补丁；在测试时复制填充以保持尺寸。
• 使用 Bias、Corr、RMSE、Skill 等指标，对比 BCSD 和 ASD 方法进行评估。

实验结果

研究问题

• RQ1 堆叠式超分辨率 CNN 框架是否能利用气候数据的空间相关性，在下缩放精度上优于传统方法？
• RQ2 将高分辨率地形特征纳入是否能在各尺度上提升降水下缩放的性能？
• RQ3 DeepSD 下缩放输出是否在各季节具有鲁棒性，并且在处理极端降水方面是否优于基线方法？
• RQ4 DeepSD 是否能扩展到在像 NASA’s NEX 这样的平台上对气候模型模拟集合进行下缩放？

主要发现

• DeepSD 在 Bias、Corr 和 RMSE 的表现上超过了 Lasso、ANN 和 SVM，在 1000 个 CONUS 位置上。
• DeepSD 获得更高的相关性（0.914）和更低的 RMSE（2.529 mm/day），高于 BCSD（Corr 0.849，RMSE 4.414 mm/day）。
• DeepSD 提供的 技能分数（0.947）接近 BCSD（0.955），且运行时间更快（DeepSD 71s vs BCSD 13s per year）。
• DeepSD 在各季节都保持出色表现，总体相关性更高、RMSE 更低于 BCSD。
• 极端情形：在下缩放日益极端的降水事件时，DeepSD 比 BCSD 更稳定。