基于生成式AI的ERA5降水全球时空细化
大气与海洋物理
2025-06-23 v1 计算机视觉与模式识别
机器学习
地球物理
摘要
降水的空间和时间分布对人类生活产生显著影响，既决定淡水资源和农业产量，又驱动雨水相关灾害如洪水和山体滑坡。虽然ERA5再分析数据集提供了一致的长期全球降水信息，使人们能够研究这些影响，但其分辨率不足以捕捉降水的高时空变异性。ERA5遗漏了对灾难性洪水至关重要的局部强降雨事件——这一限制因素尤为关键，因为极端天气事件正变得越来越频繁。本文介绍了spateGAN-ERA5，这是首个基于深度学习的全球尺度降水时空细化方法。spateGAN-ERA5采用条件生成对抗神经网络（cGAN），将ERA5降水数据分辨率从24公里和1小时提升至2公里和10分钟，生成具有真实时空模式并包含极端降雨率分布的高分辨率降雨场。其计算效率使能够生成大量解 Ensemble，以解决细化过程固有的不确定性问题。仅基于德国训练、在美国和澳大利亚进行验证（考虑到不同气候区），spateGAN-ERA5显示出强大的泛化能力，表明其在全球范围内具有广泛适用性。spateGAN-ERA5满足水文学和气象学研究中获取高分辨率降水数据的关键需求，为全球范围内应对气候挑战提供了新的能力，包括洪涝风险评估、AI增强天气预报和影响建模。
引用
@article{arxiv.2411.16098,
title = {Global spatio-temporal downscaling of ERA5 precipitation through generative AI},
author = {Luca Glawion and Julius Polz and Harald Kunstmann and Benjamin Fersch and Christian Chwala},
journal= {arXiv preprint arXiv:2411.16098},
year = {2025}
}