基于Wasserstein GAN的最佳降雨下采样方法
机器学习
2026-05-19 v1
摘要
高分辨率（HR）降雨预测对于减轻-stationary和局部强降雨带来的损害至关重要；然而，基于过程驱动的数值天气预报模型实现HR降雨预测仍具有挑战性。本研究提出使用Wasserstein生成对抗网络（WGAN）进行降雨下采样，采用最优传输成本。与采用均方误差的常规神经网络训练不同，WGAN生成的降雨场呈现出视觉上逼真的细节结构，尽管在常规评估指标上表现略低。学习的批判器与人类感知逼真度呈良好相关性。案例分析表明，批判器得分的显著差异可帮助识别不真实的WGAN输出以及参考数据中的潜在人工信息。这些发现表明，WGAN框架不仅提升了降雨下采样中的感知逼真度，还为评估和质量控制降雨数据集提供了新视角。
引用
@article{arxiv.2507.17798,
title = {Wasserstein GAN-Based Precipitation Downscaling with Optimal Transport for Enhancing Perceptual Realism},
author = {Kenta Shiraishi and Yuka Muto and Atsushi Okazaki and Shunji Kotsuki},
journal= {arXiv preprint arXiv:2507.17798},
year = {2026}
}