DeepSD：通过单图像超分辨率生成高分辨率气候变化预估
计算机视觉与模式识别
2017-03-10 v1
摘要
气候变化的影响波及大多数关键系统，如基础设施、生态系统和发电厂。然而，当代地球系统模型（ESM）运行的空间分辨率太粗，无法评估这种局部化的影响。可以使用统计降尺度获得局地尺度预估，这是一种利用历史气候观测来学习从低分辨率到高分辨率映射的技术。根据统计建模选择的不同，降尺度预估在准确性和可靠性方面已被证明存在显著差异。气候系统的时空特性促使将超分辨率图像处理技术应用于统计降尺度。在我们的工作中，我们提出了 DeepSD，一个用于气候变量统计降尺度的广义堆叠超分辨率卷积神经网络（SRCNN）框架。DeepSD 通过多尺度输入通道增强 SRCNN，以最大化统计降尺度中的可预测性。我们将该方法与偏差校正空间分解法以及三种自动统计降尺度方法进行了比较，在美国本土地区将每日降水从 1 度（约 100km）降尺度至 1/8 度（约 12.5km）。此外，还讨论了一个使用 NASA Earth Exchange（NEX）平台的框架，用于在多种排放情景下对 20 多个 ESM 模型进行降尺度。
引用
@article{arxiv.1703.03126,
title = {DeepSD: Generating High Resolution Climate Change Projections through Single Image Super-Resolution},
author = {Thomas Vandal and Evan Kodra and Sangram Ganguly and Andrew Michaelis and Ramakrishna Nemani and Auroop R Ganguly},
journal= {arXiv preprint arXiv:1703.03126},
year = {2017}
}
备注
9 pages, 5 Figures, 2 Tables