用于降低降水的深度学习连续潜在表示
机器学习
2024-12-20 v1
摘要
降水数据的稀疏和时空不连续特性为模拟和统计处理（包括偏差校正和下采样）带来了显著挑战, 包括对间歇性和极端值的错误表示（对水文学应用至关重要）、重新网格化时的 Gibbs 现象以及缺乏细尺度细节。为解决这些挑战, 常见做法是对降水变量进行非线性变换以获得更易加工的变量。本文探讨了如何使用深度学习生成作为降水数据模拟的平滑、时空连续变量。我们开发了一个称为伪降水（PP）的正态分布场, 作为模拟降水的替代方案。通过将降水从 （约 100 km）降采样到 （约 25 km）来检验该变量的实际应用性。
引用
@article{arxiv.2412.14620,
title = {Continuous latent representations for modeling precipitation with deep learning},
author = {Gokul Radhakrishnan and Rahul Sundar and Nishant Parashar and Antoine Blanchard and Daiwei Wang and Boyko Dodov},
journal= {arXiv preprint arXiv:2412.14620},
year = {2024}
}