面向降尺度的生成式深度学习模型全球适用性与位置可迁移性研究
机器学习
2025-12-02 v1
摘要
深度学习为气候和天气预报的统计降尺度提供了前景方法，尤其是生成式方法在捕捉细节降雨模式方面表现突出。然而，大多数现有模型仅针对特定区域，其泛化到未见地理区域的能力尚未得到充分探索。本研究评估了生成式降尺度模型在不同区域的泛化性能。我们采用全局框架，利用 ERA5 再分析数据作为预测变量，利用 IMERG 降雨估计值（分辨率为 ）作为目标。采用分层位置基数据划分，系统评估了模型在全球 15 个区域的性能。
引用
@article{arxiv.2512.01400,
title = {On Global Applicability and Location Transferability of Generative Deep Learning Models for Precipitation Downscaling},
author = {Paula Harder and Christian Lessig and Matthew Chantry and Francis Pelletier and David Rolnick},
journal= {arXiv preprint arXiv:2512.01400},
year = {2025}
}