机构名称：
¥ 1.0
气候变化是我们星球今天面临的最关键的挑战之一。上升的全球温度已经在影响地球的天气和气候模式，而不可预测和极端事件的频率增加。气候变化研究的未来预测基于地球系统模型（ESMS）等计算机模型。气候模拟通常由于所需的高计算资源而在更粗的网格上运行，然后经历较轻的缩减过程以获取更细网格的数据。这项工作提出了一个自制的深度学习模型，该模型不需要高度分解地面真相数据才能进行缩小。这是通过利用显着的分布表和在运行时为单个数据点的天气变量之间的隐藏依赖性实现的。我们提出了三个气候特异性的组件，它们很好地代表了潜在的天气变量的模式，并学习了复杂的可变化依据。对2倍，3倍和4倍缩放系数进行了广泛的评估表明，我们的模型比现有基线获得8％至47％的性能增长，同时大大降低了整体运行时。证明的性能，不依赖高分辨率地面真相数据使我们的方法成为未来气候研究的宝贵工具。
自我监督的气候降级
主要关键词
相关文件推荐
