基于迁移学习的稀缺数据降水降尺度与气候表征

《Environmental Modelling & Software》：Precipitation downscaling for climate characterization with scarce data using transfer learning

　　

摘要

高分辨率降水数据对于农业、基础设施规划和气候风险评估等应用至关重要，特别是在地形复杂的地区。传统的卫星和再分析数据集分辨率往往过于粗糙，无法捕捉局部变异性。降尺度技术可以细化这些数据，但传统的动力方法计算量大，统计方法则需要长期观测数据，而这些数据往往难以获取。本文提出了一种基于迁移学习的深度学习降尺度框架。基座模型在大规模数据集上进行预训练，然后在本地数据有限的区域进行微调，从而减少对大量气象站网络的需求。将该方法应用于厄瓜多尔后，仅凭几年的观测数据即可产生准确的长期降水估算。该方法灵活，可推广到其他气候变量，也适用于对未来气候预测进行降尺度，展示了迁移学习在数据稀缺、地形复杂地区提高高分辨率气候信息可及性和质量的潜力。

引言

准确的天气信息对于多种应用至关重要，范围涵盖农业（Kim et al., 2022）、水资源管理（Srivastav et al., 2021），到灾害风险减缓和气候变化缓解（Wang et al., 2023）。这些应用依赖于精确、局部的天气信息以做出明智的决策。然而，卫星和再分析数据虽然极具价值，但通常运行在较大的空间尺度上（例如，网格尺寸为几十到几百公里）。在厄瓜多尔安第斯地区等地，由于复杂的地形和微气候，气候和天气在极短距离内急剧变化（Rollenbeck and Bendix, 2011），这类大范围数据往往不足以应对许多实际用途。

获取气候描述和规划所需详细高分辨率数据的一种方法是通过地面气象站。不幸的是，从这些站点收集足够覆盖充分时空范围的数据可能需要数年时间——有时甚至数十年——特别是在建站成本高昂或存在后勤挑战的地区。例如，世界气象组织（2017）认为30年期间是估算正常气候的最低要求。这种时间滞后对获取准确的局部天气信息构成了重大障碍。

为了实现本地应用所需的高分辨率长期数据，通常使用降尺度技术来细化来自卫星或全球再分析模型的粗尺度数据，将其细化到更精细的空间尺度。传统的降尺度方法，如统计方法和动力方法，依赖于大尺度大气变量与观测到的本地天气条件之间的关系（Abdollahipour et al., 2022）。然而，这些方法通常需要大量高质量的地面数据，而这些数据并非总是可获得，特别是在观测网络有限的地区。

近年来，降尺度技术的最新进展显著，机器学习和深度学习方法因其能够建模大尺度气候模型与本地天气条件之间复杂非线性关系而备受关注（Kofidou et al., 2023）。随机森林、支持向量机和神经网络等方法通过学习大量数据，在改进降尺度预报方面展现了前景。在厄瓜多尔南部安第斯山脉，微气候和地形在天气变异性中发挥着重要作用，已开展了多种降尺度程序和应用的探索，具有不同的目的和表现（Nú?ez Mejía et al., 2023）。

针对高度空间变化性气候和长期原位观测稀缺所提出的挑战，迁移学习作为一种创新的降尺度方法应运而生。该方法利用在大规模数据集（如再分析数据）上预训练的模型，并将其适应到本地数据有限的特定区域，从而减少对大量气象站网络的需求。迁移学习已在计算机视觉和自然语言处理等其他领域成功应用（Iman et al., 2023），目前正在气候数据领域探索中（Zhu and Zhou, 2024）。

我们的主要目标是将再分析模型中丰富的大规模全球信息通过与气象站的更局部信息进行结合，应用迁移学习对厄瓜多尔的降水数据进行降尺度，从而在减少地面实况观测需求的情况下生成更准确的高分辨率数据。该方法对于改善地形复杂和观测基础设施有限的地区的气候影响评估具有巨大潜力。

章节摘要

研究区域

如第1节所述，主要目标是开发一种能够根据大规模大气信息重建本地降水观测的迁移学习框架。我们首先关注位于El Cajas国家公园的一台雨量计所做的观测，该公园拥有Páramo生态系统。Páramo是一种湿润的高海拔草地生态系统，海拔在3000至4500米之间，位于北安第斯山脉，在提供……方面发挥着至关重要的作用

方法

本研究采用一种由两个互补方法论组件组成的研究方法。首先，提出了一种在观测可用性有限情况下的降水降尺度迁移学习框架。其次，通过多站点验证、基线比较、有/无迁移学习对比分析以及季节性稳健性评估来评估该框架。该方法的设计目的是确定从长期学习的大尺度大气信息……

结果与讨论

基座模型被训练用于预测当地时间15:00至16:00之间累积的逐时降水。图5显示了以毫米为单位的预测误差分布。大多数误差紧密聚集在零附近，大部分低于1毫米。这表明模型成功地从数据中学习了相关模式和特征，使其成为使用不同目标数据集（如雨量计观测）进行迁移学习的有力候选者。

结论

本研究提出了一种统计降尺度方法，从逐时ERA5再分析数据推导每日降雨累积量，并通过迁移学习对照地面雨量计观测进行校准。通过将每日降雨分为四个离散类别，该模型为水文和气候学应用提供了简化但仍有意义的降雨发生表示。

虽然每日分类技能较为有限，总体准确率约为45%，且……

CRediT作者贡献声明

David Córdova：撰写——初稿撰写、可视化、验证、方法论、调查、形式化分析。Mario Córdova：撰写——审稿与编辑、指导。Luis Timbe：撰写——审稿与编辑、项目管理、资金获取。Esteban Samaniego：撰写——审稿与编辑、指导。

软件可用性

• 该模型使用Python中TensorFlow库的标准类和函数实现。

• 本研究使用了两个数据来源。详见数据可用性部分。

生成式AI及AI辅助技术在写作过程中的声明

在撰写本文的过程中，作者使用了ChatGPT来提高稿件的可读性和语言表达。使用此工具后，作者对内容进行了审核和编辑，并对出版物的内容承担全部责任。

利益冲突声明

作者声明他们没有已知的竞争性经济利益或个人关系，这些利益或关系可能会影响本文所报告的工作。

致谢

本文是库恩卡大学和阿苏艾大学联合提供的"可再生自然资源"博士项目的成果。本研究由项目"Pronóstico de precipitación en una región del Ecuador mediante la inclusión de información espaciotemporal basada en redes neuronales convolucionales"资助，由库恩卡大学研究副校级办公室（Vicerrectorado de Investigación de la Universidad de Cuenca, VIUC）提供资金。

David Córdova|Mario Córdova|Luis Timbe|Esteban Samaniego

库恩卡大学水文与环境科学系，厄瓜多尔，库恩卡