DL4DS——面向经验降尺度的深度学习
机器学习
2022-05-19 v1 计算机视觉与模式识别
大气与海洋物理
摘要
地球科学中的一项常见任务是从全球气候模式推断局部和区域尺度的气候信息。动力降尺度需要以高分辨率运行昂贵的数值模式，由于模式运行时间长，这可能令人望而却步。另一方面，统计降尺度技术提供了一种以更高效方式学习大尺度与局地尺度气候之间联系的替代方法。近年来已提出大量基于深度神经网络的统计降尺度方法，大多基于为计算机视觉和超分辨率任务开发的卷积架构。本文介绍 DL4DS（Deep Learning for empirical DownScaling，面向经验降尺度的深度学习），一个用深度神经网络实现多种最先进及新颖的网格化地球科学数据降尺度算法的 Python 库。DL4DS 旨在提供一个通用框架，用于训练具有可配置架构和学习策略的卷积神经网络，以稳健方式促进对比与消融研究。我们在西地中海地区空气质量的 CAMS 数据上展示了 DL4DS 的能力。DL4DS 库可在以下仓库获取：https://github.com/carlos-gg/dl4ds
引用
@article{arxiv.2205.08967,
title = {DL4DS -- Deep Learning for empirical DownScaling},
author = {Carlos Alberto Gomez Gonzalez},
journal= {arXiv preprint arXiv:2205.08967},
year = {2022}
}