Q-SRDRN: Rete Multi-Quantile per il Downscaling delle Precipitazioni Estreme
Un nuovo modello di deep learning, Q-SRDRN, affronta la sistematica sottostima degli eventi di precipitazione a coda pesante utilizzando una regressione multi-quantile con perdita a pinball per valori tau 0.50, 0.95, 0.99 e 0.999. L'innovazione chiave è che l'ostacolo principale è la funzione di perdita, non l'aumento dei dati. Due scelte progettuali specifiche per CNN—IncrementBound per la monotonicità e teste di output per quantile—consentono l'elaborazione indipendente delle distribuzioni di massa e di coda. Ciò permette che l'aumento dei dati tramite cVAE integri la testa mediana senza contaminare i quantili estremi.
Fatti principali
- Le reti profonde di super-risoluzione sottostimano gli eventi di precipitazione a coda pesante
- L'ostacolo principale è la funzione di perdita, non l'aumento dei dati
- Q-SRDRN utilizza la regressione multi-quantile con perdita a pinball
- Valori tau: 0.50, 0.95, 0.99, 0.999
- IncrementBound impone la monotonicità preservando l'identità del gradiente
- Teste di output separate per quantile per il rilevamento di massa e coda
- L'aumento dei dati tramite cVAE integra la testa mediana
- Il modello migliora la previsione degli eventi di precipitazione estrema
Entità
—