用于局地气候降尺度的卷积条件神经过程
机器学习
2021-01-21 v1 大气与海洋物理
摘要
本文提出了一种利用卷积条件神经过程（convCNP）对温度和降水进行多站点统计降尺度的新模型。ConvCNP 是近年来发展出的一类模型，可将深度学习技术应用于非网格化时空数据。该模型相对于现有降尺度方法的一大优势在于：训练好的模型可用于在任意位置集合上生成多站点预测，而无需考虑训练数据是否可得。在取自 VALUE 对比项目的欧洲温度和降水数据上，convCNP 模型被证明优于现有降尺度技术的集成。该模型也优于使用高斯过程在未观测位置插值单站点降尺度模型的方法。重要的是，在极端降水事件的表征上看到了显著改进。这些结果表明，convCNP 是一种稳健的降尺度模型，适用于生成供气候影响研究使用的局地化预估，并激励了关于深度学习技术在统计降尺度中应用的进一步研究。
引用
@article{arxiv.2101.07950,
title = {Convolutional conditional neural processes for local climate downscaling},
author = {Anna Vaughan and Will Tebbutt and J. Scott Hosking and Richard E. Turner},
journal= {arXiv preprint arXiv:2101.07950},
year = {2021}
}
备注
26 pages, 12 figures