ClimAlign：基于归一化流的无监督气候变量统计降尺度
计算机视觉与模式识别
2020-08-12 v1 机器学习
机器学习
摘要
降尺度是气候科学与气象学中的标志性任务，其目标是利用粗尺度时空数据推断更精细尺度上的数值。统计降尺度旨在利用从现有降尺度数值数据集（通常来自观测或物理模型）中 gleaned 的统计模式来近似该任务。在本工作中，我们研究深度潜变量学习在统计降尺度任务中的应用。我们提出 ClimAlign，一种新颖的无监督生成式降尺度方法，它通过对近期归一化流用于变分推断的工作进行改造来实现。我们使用两个由每日温度和降水数值组成的数据集（低分辨率网格为 1 度经纬度，高分辨率为 1/4 和 1/8 度）并以若干不同指标评估了方法的 viability。我们表明，我们的方法在预测性能上与现有有监督统计降尺度方法相当，同时允许从高低分辨率空间场的联合分布中进行条件与非条件采样。我们在 GitHub 上公开提供了我们的方法实现以及用于比较的基线。
引用
@article{arxiv.2008.04679,
title = {ClimAlign: Unsupervised statistical downscaling of climate variables via normalizing flows},
author = {Brian Groenke and Luke Madaus and Claire Monteleoni},
journal= {arXiv preprint arXiv:2008.04679},
year = {2020}
}
备注
8 pages, submitted as journal paper to the 10th International Conference on Climate Informatics (2020)