机构名称：
¥ 1.0
抽象的气候降低降级，这是从低分辨率模拟中生成高分辨率气候数据的过程，对于理解和适应区域和本地规模的气候变化至关重要。深度学习方法已被证明在解决此问题方面很有用。但是，存在研究通常集中在一个特定任务，位置和变量的培训模型上，因此它们的可推广性和可传递性受到限制。在本文中，我们评估了培训深度学习对多种气候数据集的深度学习模式的效果，以了解更多可靠和可转移的表示形式。我们使用CNN，傅立叶核电运算符（FNOS）和视觉变压器（VIT）评估体系结构零射击传递性的有效性。我们以实质性地评估了降尺度模型的空间，可变和产物的可传递性，以了解这些不同体系结构类型的普遍性。
评估深度学习模型的可转移性潜力
主要关键词
相关文件推荐
