RainShift：跨地理区域降水降尺度的基准数据集
计算机视觉与模式识别
2025-07-08 v1
摘要
地球系统模型（ESM）是我们预测气候变化影响的主要工具。然而，以足够的分辨率运行这些模型以进行局地尺度风险评估在计算上不可行。基于深度学习的超分辨率模型通过学习数据，为将ESM输出降尺度到更高分辨率提供了一种有前景的解决方案。然而，由于气候过程的区域差异，这些模型通常需要针对每个地理区域进行重新训练——这需要高分辨率的观测数据，而此类数据在全球分布不均。这凸显了评估这些模型跨地理区域泛化能力的必要性。为此，我们引入了RainShift，一个用于评估地理分布偏移下降尺度的数据集和基准。我们评估了最先进的降尺度方法，包括GAN和扩散模型，在跨越全球北方和全球南方数据差距时的泛化能力。我们的研究结果揭示了在分布外区域性能显著下降，具体取决于模型和地理区域。虽然扩展训练域通常能改善泛化，但不足以克服地理上不同区域之间的偏移。我们表明，通过例如数据对齐来解决这些偏移，可以改善空间泛化。我们的工作推进了降尺度方法的全球适用性，并朝着减少获取高分辨率气候信息的不平等迈出了一步。
引用
@article{arxiv.2507.04930,
title = {RainShift: A Benchmark for Precipitation Downscaling Across Geographies},
author = {Paula Harder and Luca Schmidt and Francis Pelletier and Nicole Ludwig and Matthew Chantry and Christian Lessig and Alex Hernandez-Garcia and David Rolnick},
journal= {arXiv preprint arXiv:2507.04930},
year = {2025}
}