基于生成对抗网络的时间演化大气场降尺度随机超分辨率方法
图像与视频处理
2021-11-12 v4 机器学习
大气与海洋物理
机器学习
摘要
生成对抗网络（GANs）近来被用于超分辨率，这一应用与大气科学中所谓的“降尺度”——即提升低分辨率图像的空间分辨率——密切相关。条件 GAN 能为给定输入生成一组解的能力天然适用于随机降尺度，但 GAN 的随机性在超分辨率应用中通常未被考虑。在此，我们提出一种循环、随机超分辨率 GAN，可为由同一场地的低分辨率图像序列组成的输入生成时间演化的高分辨率大气场集合。我们使用两个数据集测试该 GAN：一个来自瑞士的雷达测量降水，另一个来自地球静止环境观测卫星 16（GOES-16）的云光学厚度。我们发现该 GAN 能为两个数据集生成逼真且时间一致的超分辨率序列。利用改编自集合天气预报的秩统计方法分析了生成集合的统计特性；这些分析表明 GAN 输出的变率量级接近正确值。由于 GAN 生成器是全卷积的，训练后可应用于大于训练所用图像尺寸的的输入图像。它也能生成远长于训练序列的时间序列，如将生成器应用于三个月的降水雷达数据所示。我们的 GAN 源代码见 https://github.com/jleinonen/downscaling-rnn-gan。
引用
@article{arxiv.2005.10374,
title = {Stochastic Super-Resolution for Downscaling Time-Evolving Atmospheric Fields with a Generative Adversarial Network},
author = {Jussi Leinonen and Daniele Nerini and Alexis Berne},
journal= {arXiv preprint arXiv:2005.10374},
year = {2021}
}
备注
Accepted for publication in IEEE Transactions in Geoscience and Remote Sensing