用于极端地理空间降尺度的生成对抗模型

应对气候变化挑战需要准确且高分辨率的地理空间数据映射，尤其是气候和天气变量。然而，许多现有的地理空间数据集，如最先进的数值气候模型（例如，通用环流模型）的网格化输出，由于模型复杂性和极高的计算需求，仅在非常粗的空间分辨率下可用。基于深度学习的方法，特别是生成对抗网络（GAN）及其变体，已被证明对细化自然图像有效，并在改善地理空间数据集方面显示出巨大前景。本文描述了一种基于条件 GAN 的随机地理空间降尺度方法，该方法可容纳非常高的缩放因子。与大多数现有方法相比，该方法可以从非常低分辨率的输入生成高分辨率的准确气候数据集。更重要的是，该方法明确考虑了降尺度过程中固有的不确定性，而这一点在现有方法中往往被忽略。给定一个输入，该方法可以产生多种合理的高分辨率样本，而不是单一的确定性结果。这些样本允许对模型不确定性和鲁棒性进行实证探索和推断。通过对网格化气候数据集（风速和太阳辐照度）的案例研究，我们展示了该框架在大缩放因子（高达$64\times$）降尺度任务中的性能，并通过与常用及最新降尺度方法（包括面ToPoint克里金法（ATP kriging）、深度图像先验（DIP）、增强超分辨率生成对抗网络（ESRGAN）、物理信息分辨率增强 GAN（PhIRE GAN）以及用于遥感图像超分辨率的高效扩散模型（EDiffSR））的全面比较，突出了该框架的优势。