[论文解读] Statistical Downscaling of Temperature Distributions from the Synoptic Scale to the Mesoscale Using Deep Convolutional Neural Networks

Tsuyoshi Thomas Sekiyama|arXiv (Cornell University)|Jul 20, 2020

Climate variability and models被引用 8

一句话总结

本研究提出了一种基于深度卷积神经网络（DCNN）的代理模型，用于将22公里尺度的大尺度地表气温和风场统计降尺度至日本中部地区的5公里中尺度气温场。利用单图像超分辨率（SISR）技术，模型将均方根误差从2.7 K降低至1.0 K，并将相关系数从0.6提升至0.9，尤其在海拔1000米以上的区域，证明了该模型在训练后以极低计算成本实现了高分辨率地形特征的精确再现。

ABSTRACT

Deep learning, particularly convolutional neural networks for image recognition, has been recently used in meteorology. One of the promising applications is developing a statistical surrogate model that converts the output images of low-resolution dynamic models to high-resolution images. Our study exhibits a preliminary experiment that evaluates the performance of a model that downscales synoptic temperature fields to mesoscale temperature fields every 6 hours. The deep learning model was trained with operational 22-km gridded global analysis surface winds and temperatures as the input, operational 5-km gridded regional analysis surface temperatures as the desired output, and a target domain covering central Japan. The results confirm that our deep convolutional neural network (DCNN) is capable of estimating the locations of coastlines and mountain ridges in great detail, which are not retained in the inputs, and providing high-resolution surface temperature distributions. For instance, while the average root-mean-square error (RMSE) is 2.7 K between the global and regional analyses at altitudes greater than 1000 m, the RMSE is reduced to 1.0 K, and the correlation coefficient is improved from 0.6 to 0.9 by the surrogate model. Although this study evaluates a surrogate model only for surface temperature, it probably can be improved by augmenting the downscaling variables and vertical profiles. Surrogate models of DCNNs require only a small amount of computational power once their training is finished. Therefore, if the surrogate models are implemented at short time intervals, they will provide high-resolution weather forecast guidance or environment emergency alerts at low cost.

研究动机与目标

• 开发一种基于深度学习的低成本、高分辨率代理模型，用于中尺度天气预报。
• 评估深度卷积神经网络（DCNN）在将大尺度气象场降尺度至中尺度分辨率方面的性能。
• 评估SISR技术是否能够准确重建高分辨率气温分布，特别是在山脉和山谷等复杂地形区域。
• 探索训练后的DCNN模型在实时或应急响应应用（如环境灾害预警）中的可行性。
• 为未来扩展至垂直剖面及除地表气温外的多种大气变量奠定基础。

提出的方法

• 使用22公里全球分析数据（T2、U10、V10）作为输入，5公里区域分析T2作为目标输出，训练深度卷积神经网络（DCNN）。
• 模型采用单图像超分辨率（SISR）框架，将低分辨率气象场视为需上采样的图像。
• 输入区域覆盖日本中部地区（137.00°E–141.25°E，34.60°N–38.00°N），分辨率为0.25°×0.20°（18×18像素），输出分辨率为5公里（72×72像素）。
• DCNN基于日本气象厅（JMA）的6小时一次全球和区域分析数据进行训练，重点捕捉由地形引起的温度分布特征。
• 通过与区域分析结果对比，利用均方根误差（RMSE）和相关系数评估模型性能，并进行空间和时间维度的分解分析。
• 研究了不同季节、一天中不同时段以及地形类型（高原、水体、盆地）下的性能差异，并测试了加入风速和时间槽特征的输入增强效果。

实验结果

研究问题

• RQ1 基于深度学习的代理模型能否在复杂地形上有效实现大尺度气温和风场向中尺度分辨率的降尺度？
• RQ2 基于SISR原理训练的DCNN在多大程度上能够再现细尺度温度分布特征，如海岸线、山脊和山谷附近的温度分布？
• RQ3 模型性能在不同昼夜时段和季节之间如何变化，特别是在太阳加热和夜间冷却过程中的表现？
• RQ4 增加额外输入变量（如风速、时间槽）对降尺度精度有何影响？
• RQ5 训练后的DCNN模型能否作为实时高分辨率天气引导或环境应急响应的低成本替代方案？

主要发现

• 尽管低分辨率输入中未包含相关特征，DCNN代理模型仍成功再现了详细的中尺度温度分布，包括海岸线效应和山脊影响。
• 在海拔1000米以上的区域，模型输出与区域分析之间的均方根误差（RMSE）由输入的2.7 K降低至输出的1.0 K。
• 在高海拔区域，模型输出与区域分析的相关系数从0.6提升至0.9，表明空间分布模式具有高度保真度。
• 模型在夜间（18:00 UTC）的高原和中等海拔区域表现更优，可能归因于对辐射冷却和风驱动冷却过程的更好表征。
• 冬季（DJF）高原区域性能略有下降，可能由于低分辨率模型对积雪覆盖的表征不佳。
• 三变量模型（T2、U10、V10）优于单变量模型（仅T2），而时间槽训练略微降低了性能，可能因训练样本有限。