Nature Scientific Reports: Глубокая генеративная модель превосходно разрешает пространственно коррелированные межрегиональные климатические данные
Сверхразрешение результатов моделирования глобального климата, называемое даунскейлингом, имеет решающее значение для принятия политических и социальных решений в отношении систем, требующих долгосрочных прогнозов изменения климата. Однако существующим быстрым методам сверхвысокого разрешения ещё предстоит сохранить пространственно коррелированный характер климатологических данных, что особенно важно, когда рассматриваются системы с пространственным расширением, такие как развитие транспортной инфраструктуры. Здесь показано, что машинное обучение на основе состязательной сети позволяет правильно реконструировать межрегиональные пространственные корреляции при даунскейлинге с большим увеличением до 50 раз, сохраняя при этом статистическую согласованность по пикселям. Прямое сравнение с измеренными метеорологическими данными о распределении температуры и осадков показывает, что интеграция важной с климатологической точки зрения физической информации улучшает производительность масштабирования, что позволяет называть этот подход πSRGAN (генерирующая состязательная сеть сверхвысокого разрешения, основанная на физике). Предлагаемый метод имеет потенциальное применение для согласованной на межрегиональном уровне оценки воздействия изменения климата. Кроме того, представлены результаты другого варианта подхода к масштабированию на основе глубокой генеративной модели, в котором поле осадков с низким разрешением заменяется полем давления, называемым ψSRGAN (источник осадков недоступен SRGAN). Примечательно, что этот метод демонстрирует неожиданно хорошие характеристики масштабирования поля осадков.
