Generative adversarial networks for downscaling hourly precipitation in the canadian prairies
Notice bibliographique
Résumé
Developing robust downscaling methods is essential for maximizing the applicability of climate model outputs in engineering design and climate mitigation, particularly in a changing climate. This study evaluates four deep learning model configurations for downscaling, focusing on their structure, functionality, and ability to capture localized convective events in the Canadian prairies. These model configurations aim to downscale coarse‐resolution climate model outputs (∼200 km) to the finer spatial resolution of regional climate models (∼50 km) for hourly precipitation. We introduce advanced metrics to assess the fidelity of precipitation downscaling, examining both marginal statistics and spatiotemporal dependencies. A U‐Network (UNET) captures spatial and temporal dependencies efficiently while three generative adversarial networks (GANs) configurations incorporate a critic network to enhance the realism of generated fields. The study also evaluates the effects of a thresholding layer to constrain precipitation values and a convolution long short‐term memory layer in the GAN critic to better capture temporal dependencies. Results show that all four model configurations effectively capture spatial dependencies, with the simplest GAN architecture outperforming others in preserving temporal dependencies. Latitudinal correlations are better preserved than longitudinal across all models. While UNET produces overly smoothed fields, GANs generate more detailed outputs when downscaling Coupled Model Intercomparison Project phase 6 projections. By optimizing deep learning models for this region, the study provides key insights into future precipitation trends, enabling the identification of localized storms. These findings are critical for improving infrastructure resilience across catchments in the prairies.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».