基于注意力模块和跳跃连接的降水数据深度学习超分辨率模型
机器学习
2024-03-27 v1 人工智能
摘要
人类活动加速化石燃料的消费并产生温室气体，导致当今迫切的问题：全球变暖和气候变化。这些间接导致严重的自然灾害，造成大量人员伤亡和农业财产巨额损失。为缓解对土地的影响，科学家们正在开发可再生、可持续且清洁的能源，气候学家们正在尝试预测极端气候。与此同时，政府正在推广节约资源的政策，以构建更环保的社会并提高环境意识。其中一个最重要的因素是降水，将水汽输送到陆地上。水资源是社会中最重要且最基本的需求，不仅支持我们的生活，还支撑着经济。台湾虽然年均降水量可达 2500 毫米（mm），但由于地形起伏大且全年分布不均，人均水资源分配仍低于全球平均水平。因此，跟踪和预测降雨对合理利用水资源、防止洪涝至关重要。然而，气候模型分辨率有限，且在本地尺度使用时需要大量计算资源。因此，我们提出了一个带有跳跃连接和注意力模块的深度卷积神经网络，用于将低分辨率降水数据降尺度至高分辨率数据。最终，我们与其他气候降尺度方法进行比较，在均方绝对误差（MAE）、均方根误差（RMSE）、皮尔逊相关系数、结构相似性指数（SSIM）以及预报指标等指标上表现更佳。
引用
@article{arxiv.2403.17847,
title = {Climate Downscaling: A Deep-Learning Based Super-resolution Model of Precipitation Data with Attention Block and Skip Connections},
author = {Chia-Hao Chiang and Zheng-Han Huang and Liwen Liu and Hsin-Chien Liang and Yi-Chi Wang and Wan-Ling Tseng and Chao Wang and Che-Ta Chen and Ko-Chih Wang},
journal= {arXiv preprint arXiv:2403.17847},
year = {2024}
}