【论文标题】Augmented Convolutional LSTMs for Generation of High-Resolution Climate Change Projections
【作者团队】Nidhin Harilal, Udit Bhatia, Mayank Singh 【发表时间】2020/9/23 【论文链接】https://arxiv.org/abs/2009.11279 【参考链接】https://github.com/cryptonymous9/Augmented-ConvLSTM 【推荐理由】 本文来自印度理工大学Nidhin Harila团队，本文针对现有的地球系统模型具有复杂时空依耐性及统计缩小法（SD）不能处理非平稳性（在空间和时间相关性）方面的问题，本文提出一种基于增强卷积LSTM的方法以生成高分辨率气候变化预测模型。 众所周知，预测气候变量的极端指数（例如温度和降水）的变化，对于评估气候变化给人为和自然系统（包括关键基础设施和生态系统）的潜在影响至关重要。虽然影响评估和适应规划依赖于高分辨率的预测（通常在几公里的数量级），但最新的地球系统模型（ESM）的空间分辨率却只有几百公里。当前ESM高分辨率预测的解决方案包括按比例缩小的方法，这种方法在粗略尺度上考虑信息，在局部尺度上进行预测。局部气候变量（例如温度和降水）和大规模预测变量（例如，压力场）之间复杂的非线性相互依赖关系促使人们使用基于神经网络的超分辨率结构。该研究提出用于统计缩减的辅助变量信息时空神经体系结构。现有研究对世界上气候最多样化的国家-印度的降水变量进行了每日SD，从1.15度(115公里)到0.25度(25公里)的无害环境管理输出。本文对三个最先进的预测模型进行显著改进，以更好的预测极端条件下的气候变化，研究表明，增强卷积LSTM方法的结果（如RMSE等）明显优于其他方法。 图 1 ：基于卷积LSTM的超分辨率分段增强模型。左侧显示了所有7个气候变量（降水，海拔，相对湿度，压力，3个风分量）的表示形式。 每个分段的标签中提到的数字及其名称和激活函数，代表该特定分段中使用的内核函数。

内容中包含的图片若涉及版权问题，请及时与我们联系删除