[论文解读] Increasing the accuracy and resolution of precipitation forecasts using deep generative models

Ilan Price, Stephan Rasp|arXiv (Cornell University)|Mar 23, 2022

Meteorological Phenomena and Simulations被引用 39

一句话总结

本文介绍了 CorrectorGAN，一种条件GAN，用于修正并将全球粗略降水预报下采样为高分辨率、概率性预报，在成本大幅降低的情况下实现接近区域模型的性能。

ABSTRACT

Accurately forecasting extreme rainfall is notoriously difficult, but is also ever more crucial for society as climate change increases the frequency of such extremes. Global numerical weather prediction models often fail to capture extremes, and are produced at too low a resolution to be actionable, while regional, high-resolution models are hugely expensive both in computation and labour. In this paper we explore the use of deep generative models to simultaneously correct and downscale (super-resolve) global ensemble forecasts over the Continental US. Specifically, using fine-grained radar observations as our ground truth, we train a conditional Generative Adversarial Network -- coined CorrectorGAN -- via a custom training procedure and augmented loss function, to produce ensembles of high-resolution, bias-corrected forecasts based on coarse, global precipitation forecasts in addition to other relevant meteorological fields. Our model outperforms an interpolation baseline, as well as super-resolution-only and CNN-based univariate methods, and approaches the performance of an operational regional high-resolution model across an array of established probabilistic metrics. Crucially, CorrectorGAN, once trained, produces predictions in seconds on a single machine. These results raise exciting questions about the necessity of regional models, and whether data-driven downscaling and correction methods can be transferred to data-poor regions that so far have had no access to high-resolution forecasts.

研究动机与目标

• 随着气候变化导致极端天气增多，解决对准确、高分辨率降水预报的需求。
• 开发一种数据驱动的方法，对全球低分辨率预报的偏差进行修正并将其下采样至4公里分辨率。
• 生成具有现实空间依赖性和经过校准概率的高分辨率预报场集合。
• 与基线比较，包括插值、纯超分辨、基于CNN的方法，以及区域高分辨模型(HREF)。
• 展示计算效率，使单机即可快速推断。

提出的方法

• 开发一个两阶段生成器：一个 Corrector 产生修正后的低分辨率表示，另一个 Super-resolver 将其放大到高分辨率。
• 使用三阶段训练模式：阶段1（低分辨率修正），含对数变换预处理和 FSS 基于损失；阶段2（高分辨率预训练），在高分辨输出上加入 L1 损失；阶段3（GAN 训练），采用 Wasserstein GAN 损失及辅助的 L_LR 和 L_HR 项。
• 判别器处理高分辨观测和低分辨预报，融合其表示以判断可信度与真实一致性。
• 使用4通道输入（16x16 TIGGE 集合成员，以及上下文变量），以及一个16x16到128x128的超分辨率生成。
• 优化带梯度惩罚的 Wasserstein 损失对判别器进行优化，以及多项生成器损失，促使修正后的高分辨输出与真值在短期和长期内保持一致。

实验结果

研究问题

• RQ1 数据驱动的生成模型是否能够在对全球粗略预报进行偏差修正的同时实现高分辨率下采样？
• RQ2 CorrectorGAN 产出的修正后高分辨预报相较基线和区域模型，是否提供可靠的概率预报？
• RQ3 在概率指标方面，降尺度且经过修正的全球模型方法能达到多接近最先进区域高分辨预报？
• RQ4 纳入额外气象背景和集合输入对下采样和偏差校正性能有何影响？

主要发现

• CorrectorGAN 在 CRPS 和 Brier Score 上优于插值、Pure-SR GAN 和 BG-CNN 基线，覆盖 1、5、10、30 毫米阈值。
• CorrectorGAN 的 CRPS 为 0.574，接近 HREF 的 0.562，显著优于 TIGGE 插值（0.605）和 Pure-SR GAN（0.61）。
• 在 1mm、5mm、10mm 和 30mm 阈值下，CorrectorGAN 的 Brier Scores 分别为 0.06、0.034、0.02 和 0.0024，极端阈值处接近 HREF。
• HREF 在所有模型中通常表现最好， CorrectorGAN 在可靠性方面与之接近，尤其在极端降水（30 mm）方面。
• 推断时模型速度很快，在单机上交付高分辨率预报，便于大规模应用。