[论文解读] Downscaling Extreme Rainfall Using Physical-Statistical Generative Adversarial Learning

Anamitra Saha, Sai Ravela|arXiv (Cornell University)|Dec 2, 2022

Cryospheric studies and observations被引用 8

一句话总结

该论文提出了一种融合物理与统计信息的生成对抗网络（GAN）框架，用于将气候模型的粗分辨率（0.25°）降雨输出降尺度至高分辨率（0.01°）场，通过引入地形抬升效应和条件高斯过程，提升空间细节与风险量化能力。该方法在极端降雨风险表征方面表现准确，经过偏差校正的预测结果在1000年重现期下标准误差低于10%，偏差约为6.8%。

ABSTRACT

Modeling the risk of extreme weather events in a changing climate is essential for developing effective adaptation and mitigation strategies. Although the available low-resolution climate models capture different scenarios, accurate risk assessment for mitigation and adaption often demands detail that they typically cannot resolve. Here, we develop a dynamic data-driven downscaling (super-resolution) method that incorporates physics and statistics in a generative framework to learn the fine-scale spatial details of rainfall. Our method transforms coarse-resolution ($0.25^{\circ} imes 0.25^{\circ}$) climate model outputs into high-resolution ($0.01^{\circ} imes 0.01^{\circ}$) rainfall fields while efficaciously quantifying uncertainty. Results indicate that the downscaled rainfall fields closely match observed spatial fields and their risk distributions.

研究动机与目标

• 为解决将粗分辨率气候模型输出降尺度至高分辨率降雨场以改善极端天气风险评估的挑战。
• 将物理原理（地形抬升）与统计学习（条件高斯过程）整合进机器学习框架，以增强真实感并减少对数据的依赖。
• 采用动态数据驱动方法，对确定性降尺度中的偏差进行校正，量化极端降雨事件的不确定性和风险。
• 利用当前气候数据实现短期至十年尺度的气候风险预测，支持保险与灾害规划等应用。
• 通过利用物理引导的GAN和随机扰动，克服极端事件数据稀少问题，实现鲁棒且细节保持的超分辨率重建。

提出的方法

• 该方法使用基于物理的地形抬升模型，从粗分辨率气候模型输入（如ERA5）生成初始高分辨率降雨估计值。
• 应用基于条件集成的高斯过程，对流形上的训练数据进行索引，利用粗分辨率模型输出和高分辨率观测数据（Daymet）生成‘初始估计’降雨场。
• 训练一个两阶段生成对抗网络（GAN），从粗分辨率输入生成确定性高分辨率降雨场，其中物理和统计估计作为先验信息引导生成器。
• 向确定性输出中注入随机扰动，生成基于集合的最优估计，以校正残余偏差并提升不确定性量化能力。
• 该框架在历史数据（1981–1999）上进行训练，于2000–2009年进行验证，2010–2019年进行测试，性能通过重现期曲线和空间模式匹配进行评估。
• 该方法采用动态数据驱动策略，避免大量数据增强，通过基于物理的先验信息和统计正则化确保物理一致性。

实验结果

研究问题

• RQ1 基于物理与统计信息的GAN框架能否有效将粗分辨率降雨场降尺度至高分辨率，同时保持极端事件的空间模式？
• RQ2 该方法在长期重现期下对极端年降雨风险的不确定性量化与观测风险分布的匹配程度如何？
• RQ3 通过地形物理信息和条件高斯过程对GAN进行预训练，能在多大程度上减少对大规模训练数据集的依赖并提升泛化能力？
• RQ4 经过偏差校正的最优估计在捕捉极端降雨重现期方面，与确定性及随机降尺度方法相比表现如何？
• RQ5 该方法是否可应用于当前气候条件，实现从年际到十年尺度的风险预测，而无需高分辨率模型输出作为真实值？

主要发现

• 降尺度后的降雨场在极端事件的空间模式上与观测结果高度一致，芝加哥地区（库克县）表现出强烈的视觉与统计保真度。
• 确定性GAN输出低估了极端降雨风险，但通过随机扰动进行偏差校正后，该误差显著降低，在1000年重现期下标准误差低于10%。
• 最终经过偏差校正的最优估计在极端重现期下，平均年极端降雨预测的偏差约为6.8%，表明其具有高度可靠性。
• 该方法成功捕捉了基于帕累托分布的极端降雨重现期曲线形状，与所有测试重现期下的观测结果高度一致。
• 地形物理信息与条件高斯过程的整合降低了对数据的依赖性，并在无需大量数据增强的情况下提升了生成高分辨率场的真实感。
• 该框架可实现气候模型输出向0.01°分辨率的快速降尺度，适用于近期内风险评估应用，如保险核保与灾害应对规划。