基于生成对抗网络的全球气候模式松散条件模拟

气候模式凝聚了我们对地球系统的最佳理解，使得能够在关于人类驱动的气候强迫如何演变的不同假设下对其未来进行研究。气候模式的一个重要应用是提供平均和极端气候变化指标，尤其是在这些不同的未来情景下，因为这些量驱动着气候对社会和自然系统的影响。由于需要以计算高效的方式探索广泛的可选情景及其他不确定性来源，气候模式只能做到如此程度，因为它们需要大量的计算资源，特别是在试图刻画极端事件时，这些事件罕见，因此需要长期且大量的模拟才能准确表征其变化的统计特征。在此，我们在概念验证中使用深度学习，为针对不同情景模拟全球气候模式输出奠定基础。我们训练了两个“松散条件”生成对抗网络（GAN），用于模拟完全耦合地球系统模式的日降水输出：一个GAN模拟秋冬季行为，另一个模拟春夏季行为。我们的GAN被训练用于生成时空样本：覆盖全球64×128规则网格的32天降水。我们使用一组基于KL散度的相关性能指标评估生成器，发现生成的样本与测试数据的匹配程度几乎与验证数据与测试数据的匹配程度一样好。我们还发现生成的样本能准确估计32天样本中干燥日的平均数量和平均最长连续无雨期。与大型气候模式集合相比，我们训练好的GAN能以极低的计算代价快速生成大量实现样本，这极大有助于估计极端事件的统计特征。