使用生成式 AI 将全球时空 ERA5 降水缩小到公里和亚小时尺度

快速阅读: 据《Nature.com》最新报道，研究评估了深度学习模型spateGAN-ERA5在全球降水降尺度中的泛化能力，展示其在不同区域和时间上的优越性能，可生成高分辨率降水数据，支持气候变化研究和灾害管理。

大气科学领域的一个重要问题是，在特定区域训练的深度学习模型在多大程度上可以推广到其他地区。此外，模式数据与观测数据的分布仍然存在差异，尤其是在自由运行的气候模拟中，超过一定的提前时间后，这些模拟可能会与观测完全脱节。在降尺度方面，常用的方法是训练超分辨率模型，而这些模型并不依赖于完美匹配的输入输出对。然而，如果合成的粗化训练数据与实际气候模型输出分布有显著偏差，这种不匹配会导致推理时模型性能下降。我们的分析揭示了粗化雷达观测与ERA5降水之间在极端值分布和时空结构上的显著差异。这种差异部分源于数值建模中有限的对流参数化方案。我们展示了经过精心设计的训练采样方案，可描述为在松散配对图像上训练，能够实现高精度的降尺度性能。这涉及挑选ERA5模型输入样本，使其与对应的观测目标高度匹配，并通过选择德国作为主要训练区域，显示再分析数据与目标间具有较高一致性。尽管在再分析数据上进行了测试，但这一训练模型的理念具有通用性，例如可用于从调整后的气候模拟与观测数据中训练松散配对图像，从而促进传统气候模型情景的降尺度处理。

为了评估spateGAN-ERA5的空间泛化能力，我们在训练数据未涵盖的空间域和时间段上测试其性能。鉴于高质量气象观测数据在精细时空分辨率下稀缺，因此仅依靠观测数据训练一个能表示全球降水高度变异性的小型降尺度模型本质上具有挑战性。我们的研究结果表明，即使在气候学截然不同的环境中，spateGAN-ERA5也能重建降水场，其表现甚至优于训练域内的表现，具体视评估指标而定。这表明其具有强大的泛化能力，因此可在更大范围应用，提供具有改进降雨分布特性的全球降水产品。通过利用ERA5再分析数据集的完整历史记录追溯到1940年，spateGAN-ERA5能够提供前所未有的高分辨率降水重建记录，这是传统降水数据集的一大进步。

为评估降尺度后的降水场质量，我们考量了多种空间结构和像素级评分，并开展基于事件的分析以反映降雨的多样性和特性。鉴于降水因其高度可变性和间歇性而难以建模，我们展示了spateGAN-ERA5在跨时空尺度分解和重建雨场统计特性的能力，具备初始低分辨率输入数据中完全缺失的合理极端值。为从这些数据生成逼真的降雨事件，rainFARM通过ERA5的空间功率谱外推的方法不足以解决给定问题。作为生成模型，spateGAN-ERA5的预测与其参考数据集高度相似，这可通过“高分辨率降雨场的空间合理性”部分中的RAPSD、时间PSD和线性偏心度验证。此外，概率性方法在细化空间和时间降水场时，明确考虑了与降尺度相关的不确定性，且计算效率高。

模型架构和训练方法设计为可适应，使其适用于其他降水数据集及分辨率，从而成为各类科学与业务应用的多功能工具。正如“案例研究”部分和图2e所示，spateGAN-ERA5是唯一能够重建与观测相似分布的方法，其在强降雨强度预测方面表现良好，尤其在严重天气预警范围内。这展示了其在更准确的水文建模中的潜力，尤其是在洪水风险评估中，详细的降水场对模拟极端降雨事件及其影响至关重要。能够比传统动力降尺度方法快几个数量级生成高分辨率降水地图，满足了气象学与水文学研究的关键需求。在气候影响研究背景下，spateGAN-ERA5有助于改进长期降水趋势与变化的评估，帮助完善不同气候场景下的极端事件预测。其重建对流降雨事件的能力使其特别适用于评估局部灾害，如突发洪水，并为灾害风险管理策略提供信息。

(以上内容均由Ai生成)