解析无关的基于 Transformer 的气候下采样方法
计算机视觉与模式识别
2024-11-28 v2 人工智能
摘要
理解未来天气变化在区域和局部尺度上的情况对于规划和决策至关重要，尤其是在极端天气事件的背景下，也更广泛地应用于农业、保险和基础设施发展。然而，将全球气候模型（GCM）下采样至此类应用所需的细分辨率的计算成本是一个重大障碍。本研究致力于气象预测模型的进展，引入一种基于预训练的地球视觉转换器（Earth ViT）模型的高效下采样方法。该模型最初在ERA5数据上训练，用于将分辨率从50公里下采样至25公里，然后在更高分辨率的BARRA-SY数据集（3公里分辨率）上进行测试。惊人的是，该模型无需额外训练即可表现良好，显示出其在不同分辨率之间泛化的能力。这种方法为通过下采样分辨率不同的GCM来生成区域气候模拟的大型集合有了前景。最终，这种方法可能为提供关键气候变量未来变化的更全面的估计提供可能，从而有助于有效规划极端天气事件和气候变化适应策略。
引用
@article{arxiv.2411.14774,
title = {Resolution-Agnostic Transformer-based Climate Downscaling},
author = {Declan Curran and Hira Saleem and Sanaa Hobeichi and Flora Salim},
journal= {arXiv preprint arXiv:2411.14774},
year = {2024}
}