Deep Learning-Driven Downscaling for Climate Risk Assessment of Projected Temperature Extremes in the Nordic Region
Parthiban Loganathan, Elias Zea, Ricardo Vinuesa, Evelyn Otero
北欧各异的Koppen-Geiger地区的快速变化和不断增加的气候变异性产生了适应的巨大需求。 区域规划需要高分辨率的预计温度。 这项工作提出了一个集成的缩小框架,其中包含视觉变压器(ViT),卷积长短端内存(ConvLSTM)和地理空间时空变压器与注意力和不平衡感知网络(GeoStaNet)模型。 该框架通过多标准决策系统深度学习-TOPSIS(DL-TOPSIS)进行评估,用于十个战略选择的气象站,包括温带海洋(Cfb),亚极地海洋(Cfc),温暖夏季大陆(Dfb)和亚北极(Dfc)气候区域。 挪威地球系统模型(NorESM2-LM)耦合模型对比较项目第6阶段(CMIP6)输出在1951-2014年期间进行了偏差校正,随后根据对日常温度指标和昼夜范围统计的早期观测进行了验证。 ViT显示性能提高(根均方误差(RMSE):1.01摄氏度;R^2:0.92),允许产生可信的缩小预测。 根据SSP5-8.5情景,预计到2100年,Dfc和Dfb气候区将分别变暖4.8摄氏度和3.9摄氏度,昼夜温度范围将扩大1.5摄氏度以上。 出现时间信号首先出现在亚北极冬季(Dfc:约2032),表明迫切需要适应措施。 提出的框架提供了基于站的高分辨率不确定性和极端情况估计,直接用于适应高纬度地区环境变化迅速的适应政策。
Rapid changes and increasing climatic variability across the widely varied Koppen-Geiger regions of northern Europe generate significant needs for adaptation. Regional planning needs high-resolution projected temperatures. This work presents an integrative downscaling framework that incorporates Vision Transformer (ViT), Convolutional Long Short-Term Memory (ConvLSTM), and Geospatial Spatiotemporal Transformer with Attention and Imbalance-Aware Network (GeoStaNet) models. The framework is evalua...
