[论文解读] Investigating two super-resolution methods for downscaling precipitation: ESRGAN and CAR

Campbell Watson, Chulin Wang+2 more|arXiv (Cornell University)|Dec 2, 2020

Cryospheric studies and observations被引用 12

一句话总结

本研究评估了ESRGAN与CAR在将粗分辨率降水数据下采样至高分辨率网格（最高达9倍）时的超分辨率性能，数据源自WRF模型。ESRGAN在从9 km下采样至1 km时显著优于CAR与双三次插值法，平均绝对误差仅为0.078 mm/hr，展现出高精度，并具备在计算成本更低的前提下支持气候影响建模的潜力。

ABSTRACT

In an effort to provide optimal inputs to downstream modeling systems (e.g., a hydrodynamics model that simulates the water circulation of a lake), we hereby strive to enhance resolution of precipitation fields from a weather model by up to 9x. We test two super-resolution models: the enhanced super-resolution generative adversarial networks (ESRGAN) proposed in 2017, and the content adaptive resampler (CAR) proposed in 2020. Both models outperform simple bicubic interpolation, with the ESRGAN exceeding expectations for accuracy. We make several proposals for extending the work to ensure it can be a useful tool for quantifying the impact of climate change on local ecosystems while removing reliance on energy-intensive, high-resolution weather model simulations.

研究动机与目标

• 开发一种计算高效的高分辨率降水数据生成方法，基于粗分辨率气象模型输出。
• 评估ESRGAN与CAR超分辨率模型在水动力学建模应用中下采样降水场的性能。
• 在保持气候影响评估精度的前提下，减少对高能耗高分辨率气象模拟的依赖。
• 探索利用机器学习从3 km与9 km WRF模型输出生成1 km分辨率降水数据的可行性。
• 通过提升输入气象数据分辨率，支持更准确的长期湖泊水动力学模拟，尤其针对气候变化影响研究。

提出的方法

• 采用带有残差内残差密集块（RRDB）的ESRGAN，并采用以PSNR为导向的训练策略，不使用VGG或GAN损失，以优先保证预测精度而非视觉质量。
• 应用内容自适应重采样器（CAR）模型，该模型利用元学习的动态滤波器，基于内容感知的重采样核生成高分辨率像素。
• 使用2017至2020年间的小时级WRF降水与气象数据（温度、风速、湿度、气压）进行模型训练，采用80/20的训练/测试数据划分。
• 以3 km与9 km的WRF域作为输入特征，1 km的WRF输出作为超分辨率重建的目标。
• 通过禁用感知损失与对抗损失，仅以最小化PSNR误差为目标，优化ESRGAN以提升物理精度。
• 采用平均绝对误差（MAE）与多个时间点的降水事件视觉检查综合评估模型性能。

实验结果

研究问题

• RQ1 ESRGAN与CAR能否在从9 km下采样至1 km分辨率时，实现比传统双三次插值法更高的精度？
• RQ2 ESRGAN在从粗分辨率输入重建细尺度降水模式方面，与CAR相比表现如何？
• RQ3 超分辨率模型在降水场中对不同空间与时间尺度的泛化能力如何？
• RQ4 该下采样方法能否在保持水动力学模拟精度的前提下，降低计算成本与碳排放？
• RQ5 实现可靠超分辨率性能所需的最小训练数据量是多少？

主要发现

• 当从9 km下采样至1 km分辨率时，ESRGAN的平均绝对误差（MAE）为0.078 mm/hr，显著优于CAR（0.931 mm/hr）与双三次插值法（1.98 mm/hr）。
• ESRGAN模型准确重建了特定降水事件，包括强降雨系统，结构失真极小。
• 尽管存在最高达0.1 mm/hr的系统性低估，ESRGAN在多种天气条件下仍展现出强大的泛化能力与鲁棒性。
• CAR模型保留了输入的视觉特征，但其MAE更高，表明其在重建细尺度降水模式方面精度较低。
• 9倍超分辨率任务成功实现，表明ESRGAN即使在输入与目标域物理特性存在差异时，仍可处理大幅分辨率提升。
• 结果表明，ESRGAN是高分辨率气象模型模拟的可行、低成本替代方案，适用于湖泊及其他局部生态系统的水动力学模型驱动。