Physically Based Deep Learning Framework to Model Intense Precipitation Events at Engineering Scales
Notice bibliographique
Résumé
The high computational cost of super-resolution (< 250 m) climate simulations is a major barrier for generating climate change information at such high spatial and temporal resolutions required by many sectors for planning local and asset-specific climate change adaptation strategies. This study couples machine learning and physical modelling paradigms to develop a computationally efficient simulator-emulator framework for generating super-resolution climate information. To this end, a regional climate model (RCM) is applied over the city of Montreal, for the summers of 2015 to 2020, at 2.5 km (i.e., low resolution – LR) and 250 m (i.e., high resolution – HR), which is used to train and validate the proposed super-resolution deep learning (DL) model. In the field of video super-resolution, convolutional neural networks combined with motion compensation have been used to merge information from multiple LR frames to generate high-quality HR images. In this study, a recurrent DL approach based on passing the generated HR estimate through time helps the DL model to recreate fine details and produce temporally consistent fields, resembling the data assimilation process commonly used in numerical weather prediction. Time-invariant HR surface fields and storm motion (approximated by RCM-simulated wind) are also considered in the DL model, which helps further improve output realism. Results suggest that the DL model is able to generate HR precipitation estimates with significantly lower errors than other methods used, especially for intense short-duration precipitation events, which often occur during the warm season and are required to evaluate climate resiliency of urban storm drainage systems. The generic and flexible nature of the developed framework makes it even more promising as it can be applied to other climate variables, periods and regions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».