近地面风的算法幻觉：基于生成对抗网络统计降尺度至对流可分辨尺度
大气与海洋物理
2023-09-20 v3 人工智能
计算机视觉与模式识别
机器学习
摘要
本文探讨了将图像超分辨率(SR)领域新兴的机器学习方法应用于统计降尺度任务。我们特别关注基于卷积神经网络的生成对抗网络(GANs)。我们的GAN以低分辨率(LR)输入为条件，生成高分辨率(HR)地表风场，以模拟北美地区Weather Research and Forecasting (WRF)模式的模拟结果。与传统的SR模型不同，后者的LR输入是HR图像理想化的粗化版本，而WRF模拟涉及使用非理想化的LR和HR配对，由于内部变率导致同尺度不匹配。我们的研究在现有基于SR的统计降尺度基础上，尝试了计算机视觉领域中一种新颖的频率分离(FS)方法。为评估SR模型的技巧，我们精心选取评价指标，并聚焦于基于空间功率谱的性能度量。我们的分析揭示了GAN配置如何影响生成场中的空间结构，特别是空间变率谱中的偏差。利用功率谱评估FS实验表明，计算机视觉中FS的成功应用并不能迁移到气候场。然而，FS实验展示了功率谱对常用基于GAN的SR目标函数的敏感性，这有助于解释和理解其在决定空间结构中的作用。该结果促使我们开发一种新颖的部分频率分离方案，作为一种有前景的配置选项。我们还量化了由内部变率引起的非理想化LR场对GAN性能的影响。此外，我们进行了基于谱的特征重要性实验，从而探索生成场空间结构对不同物理相关LR协变量的依赖性。
引用
@article{arxiv.2302.08720,
title = {Algorithmic Hallucinations of Near-Surface Winds: Statistical Downscaling with Generative Adversarial Networks to Convection-Permitting Scales},
author = {Nicolaas J. Annau and Alex J. Cannon and Adam H. Monahan},
journal= {arXiv preprint arXiv:2302.08720},
year = {2023}
}
备注
43 pages, including 11 main figures, and 16 supplemental figures