Digitaler Vortrag

Abstract – Physikalisch eingeschränktes Deep Learning für die Klimasimulation (Downscaling) 

Die Verfügbarkeit zuverlässiger, hochauflösender Klima- und Wetterdaten ist wichtig, um langfristige Entscheidungen über Klimaanpassung und -abschwächung zu treffen und um schnelle Reaktionen auf Extremereignisse zu ermöglichen. Vorhersagemodelle sind durch die Rechenkosten begrenzt und generieren daher oft grob aufgelöste Vorhersagen. Statistisches Downscaling, einschließlich Super-Resolution-Methoden aus dem Deep Learning, kann eine effiziente Methode für das Upscaling niedrig aufgelöster Daten sein. Obwohl solche Modelle in einigen Fällen visuell überzeugende Ergebnisse liefern, verletzen sie bei der Vorhersage physikalischer Variablen häufig die Erhaltungssätze. Um physikalische Variablen zu erhalten, entwickeln wir Methoden, die garantieren, dass physikalische Beschränkungen von einem Deep-Learning-Downscaling-Modell erfüllt werden, und gleichzeitig ihre Leistung gemäß traditioneller Metriken verbessern. Wir vergleichen verschiedene Constraining-Ansätze und demonstrieren ihre Anwendbarkeit auf verschiedene neuronale Architekturen sowie auf eine Vielzahl von Klima- und Wetterdatensätzen. Wir zeigen, dass unsere neuartigen Methoden nicht nur schnellere und genauere Klimaprognosen ermöglichen, sondern auch die Superresolution für Satellitendaten und Standarddatensätze verbessern können.