[论文解读] Fast and accurate learned multiresolution dynamical downscaling for precipitation

Jiali Wang, Zhengchun Liu+4 more|arXiv (Cornell University)|Jan 18, 2021

Meteorological Phenomena and Simulations被引用 11

一句话总结

本文提出一种基于卷积神经网络（CNN）的可学习多分辨率动力降尺度方法，用于从低分辨率气候模型输出生成高分辨率降水数据。通过在低分辨率与高分辨率模拟数据的联合数据集上训练CNN——特别是条件生成对抗网络（CGAN）——该方法在14分钟内实现12 km分辨率的降尺度（相较传统方法的1个月），以极低的计算成本准确捕捉空间变异性、时间极端事件及强降水事件。

ABSTRACT

This study develops a neural network-based approach for emulating high-resolution modeled precipitation data with comparable statistical properties but at greatly reduced computational cost. The key idea is to use combination of low- and high- resolution simulations to train a neural network to map from the former to the latter. Specifically, we define two types of CNNs, one that stacks variables directly and one that encodes each variable before stacking, and we train each CNN type both with a conventional loss function, such as mean square error (MSE), and with a conditional generative adversarial network (CGAN), for a total of four CNN variants. We compare the four new CNN-derived high-resolution precipitation results with precipitation generated from original high resolution simulations, a bilinear interpolater and the state-of-the-art CNN-based super-resolution (SR) technique. Results show that the SR technique produces results similar to those of the bilinear interpolator with smoother spatial and temporal distributions and smaller data variabilities and extremes than the original high resolution simulations. While the new CNNs trained by MSE generate better results over some regions than the interpolator and SR technique do, their predictions are still not as close as the original high resolution simulations. The CNNs trained by CGAN generate more realistic and physically reasonable results, better capturing not only data variability in time and space but also extremes such as intense and long-lasting storms. The new proposed CNN-based downscaling approach can downscale precipitation from 50~km to 12~km in 14~min for 30~years once the network is trained (training takes 4~hours using 1~GPU), while the conventional dynamical downscaling would take 1~month using 600 CPU cores to generate simulations at the resolution of 12~km over contiguous United States.

研究动机与目标

• 开发一种快速、准确且物理解释性强的深度学习方法，用于从粗分辨率到高分辨率的降水降尺度处理。
• 克服传统动力降尺度在大规模集合与高分辨率气候模拟中计算不可行的问题。
• 通过保留统计特性（包括强降水极端事件）超越现有超分辨率与插值技术。
• 利用现有50 km分辨率气候模拟的多模型集合，实现气候预测中不确定性量化的高效计算。
• 探索训练模型在具有相似控制方程的其他区域气候模型上泛化应用的可行性。

提出的方法

• 该方法采用混合训练策略，结合50 km低分辨率与12 km高分辨率模拟数据，训练CNN用于降水降尺度。
• 提出两种CNN架构：一种直接堆叠输入变量，另一种在堆叠前对每个变量进行编码，以改善特征表示。
• 训练四种CNN变体：两种使用均方误差（MSE）损失，两种使用条件生成对抗网络（CGAN）损失，以增强结果的真实感与分布保真度。
• CGAN模型经过训练，生成的高分辨率降水在分布上与真实数据难以区分，尤其在极端事件与空间变异性方面表现优异。
• 在4小时训练阶段后，使用单张GPU，该方法可在14分钟内将30年50 km分辨率数据降尺度至12 km分辨率。
• 目前时间依赖性被忽略，每个时间步独立处理，但未来工作可引入循环结构以处理随时间演变的场。

实验结果

研究问题

• RQ1 可学习的神经网络方法能否有效从低分辨率气候模型输出中模拟出高分辨率降水，同时保留关键统计特性？
• RQ2 不同损失函数（MSE与CGAN）如何影响降尺度降水的真实感与准确性，特别是对极端事件的影响？
• RQ3 CNN-based降尺度方法在捕捉空间与时间变异性方面，相较于传统插值法与最先进的超分辨率技术，优势有多大？
• RQ4 即使仅在一个模型上训练，该模型在具有相似物理方程的其他区域气候模型上是否具备泛化能力？
• RQ5 与传统动力降尺度方法相比，该方法在时间与资源使用方面具有多大的计算优势？

主要发现

• 经CGAN训练的CNN生成的降水输出在统计分布上与高分辨率模拟结果高度一致，包括重尾分布与强降水、持续时间长的风暴。
• CGAN基线模型在捕捉空间变异性与极端降水事件方面，优于双线性插值与最先进的超分辨率技术。
• 采用编码器的CNN变体结合CGAN损失，在重现空间模式与变异性方面最为准确，表明特征编码在融合前具有显著优势。
• 该方法将降尺度时间从使用600个CPU核心的1个月缩短至仅14分钟（使用1张GPU），在12 km分辨率下相比传统动力降尺度实现1,224倍的速度提升。
• 尽管由于独立处理时间步，模型未精确捕捉时间序列，但其保留了整体时间变异性与极端事件强度，足以满足气候尺度分析需求。
• 训练好的模型可应用于现有的50 km多模型集合（如NARCCAP、NA-CORDEX），生成高分辨率数据，用于未来气候预测中的不确定性量化。