[论文解读] Statistical Downscaling of Model Projections with Multivariate Basis Graphical Lasso

Ayesha Ekanayaka, Emily L. Kang+2 more|arXiv (Cornell University)|Jan 31, 2022

Climate variability and models被引用 4

一句话总结

本文提出一种基于多变量基图模型选择（BGL）的新型统计降尺度方法，以提高气候模型投影的空间分辨率，特别将CMIP6海表温度（SST）数据从约100 km降尺度至1 km。该方法在基于插值的最先进方法基础上，将预测准确率提高了8%，并独特地提供了时空范围内完整的概率不确定性估计。

ABSTRACT

We describe an improved statistical downscaling method for Earth science applications using multivariate Basis Graphical Lasso (BGL). We demonstrate our method using a case study of sea surface temperature (SST) projections from CMIP6 Earth system models, which has direct applications for studies of multi-decadal projections of coral reef bleaching. We find that the BGL downscaling method is computationally tractable for large data sets, and that mean squared predictive error is roughly 8% lower than the current state-of-the-art interpolation-based statistical downscaling method. Finally, unlike most ofthe currently available methods, BGL downscaling produces uncertainty estimates. Our novel method can be applied to any model output variable for which corresponding higher-resolution observational data is available.

研究动机与目标

• 解决全球气候模型（GCM）输出的粗分辨率（约100 km）与生态影响研究所需的精细空间分辨率之间的分辨率差距。
• 开发一种计算高效的统计降尺度方法，以捕捉气候数据中复杂的时空依赖关系。
• 为降尺度投影提供有意义的不确定性估计，而这类估计在现有统计降尺度技术中常常缺失。
• 在大堡礁区域珊瑚礁白化风险评估中，证明该方法在降尺度海表温度（SST）方面的有效性。
• 建立一个适用于任何具有对应高分辨率观测数据的模型输出变量的框架。

提出的方法

• 该方法采用多变量基图模型选择（BGL），一种专为高维、非平稳多变量空间过程设计的框架，能够处理复杂的变量间依赖关系。
• BGL使用低秩基表示法，对粗分辨率GCM投影与高分辨率观测之间的残差场进行建模，以减轻计算负担。
• 它在空间位置和变量之间估计一个稀疏精度矩阵，从而实现对条件独立结构和空间依赖关系的高效建模。
• 该方法采用带图模型选择惩罚的似然框架，以在逆协方差矩阵中诱导稀疏性，提高可解释性和稳定性。
• 通过完整的贝叶斯分层模型实现不确定性量化，为每个空间位置和时间点提供预测分布。
• 该方法使用CMIP6 SST投影和高分辨率MUR SST观测数据进行验证，并与基于插值和laGP的降尺度方法进行比较。

实验结果

研究问题

• RQ1 基于BGL的统计降尺度方法是否在SST投影的预测准确性方面优于标准的基于插值的降尺度方法？
• RQ2 BGL方法是否能有效捕捉气候数据中的时空依赖关系，特别是在具有复杂海岸线的区域？
• RQ3 BGL框架能否提供可靠的空间异质性不确定性估计，而不同于大多数现有方法？
• RQ4 在均方误差和结构相似性方面，BGL方法与基于局部近似高斯过程（laGP）的替代概率降尺度方法相比如何？
• RQ5 BGL方法在生态敏感区域（如大堡礁）中，对降尺度性能的提升程度如何？

主要发现

• 与当前最先进的基于插值的方法相比，BGL降尺度方法将均方预测误差（MSE）降低了约8%。
• BGL方法在所有季节中均达到最低的整体MSE，相比GCM基线降低21.4%，相比标准插值方法降低12.6%。
• BGL方法产生了最高的结构相似性指数（SSIM）值，整体平均SSIM达到0.859，表明在降尺度SST图中对空间结构的保留效果更优。
• 该方法显著降低了沿海区域的MSE，而基于插值的方法常因复杂的空间梯度而失效。
• 与假设不确定性恒定的标准降尺度方法不同，BGL方法提供了随时间变化、空间异质的不确定性估计，从而实现更真实的概率预测。
• BGL方法在大规模地球系统模型数据上计算上是可行的，适用于全球或区域气候应用。