Evaluation of machine learning-based spatial downscaling models for ERA5 climate data

Abstract

The spatial resolution of climate data is often too coarse for generating accurate regional predictions, creating a need for methods capable of producing higher-resolution results. This bachelor’s thesis investigated the training and application of machine-learning-based methods for improving the spatial resolution of ERA5 data over Europe from a 1.5◦ grid to a 0.25◦ grid. The variables considered were 2-meter air temperature and total precipitation.

The study evaluated Fourier Neural Operator (FNO), U-FNO, and U-Net architectures. In addition, four model optimization methods were investigated: the inclusion of a digital elevation map as an additional input, constraining negative precipitation predictions to zero, and the incorporation of either a spatial gradient term or an SSIM term into the loss function.

All models improved upon bilinear interpolation, with the U-Net achieving the strongest overall performance according to conventional quantitative metrics. However, analysis of the spatial Fourier amplitude spectra showed that the U-FNO most accurately reproduced the target spectrum. This indicates that conventional error metrics alone are insufficient to fully capture differences in the characteristics of model predictions. Downscaling precipitation proved substantially more challenging due to its localized and highly skewed distribution.

The results demonstrate that machine-learning-based methods potential for the spatial downscaling of ERA5 data. Furthermore, they show that complementary evaluation metrics are required to obtain a more complete assessment of model performance.

Sää- ja ilmastodatan resoluutio on usein liian karkea tarkkojen aluekohtaisten ennusteiden luomiseksi, minkä vuoksi tarvitaan menetelmiä korkeamman resoluution saavuttamiseksi. Tässä kandidaatintyössä tutkittiin koneoppimiseen perustuvien menetelmien kouluttamista ja soveltamista ERA5-aineiston spatiaalisen resoluution parantamiseen 1,5◦ resoluutiosta 0,25◦ resoluutioon Euroopan alueella. Tarkasteltavina muuttujina olivat 2 metrin ilman lämpötila ja kokonaissademäärä.

Työssä arvioitiin Fourier Neural Operator (FNO), U-FNO ja U-Net arkkitehtuureja. Lisäksi tutkittiin neljää mallien optimointiin liittyvää menetelmää: korkeuskartan lisäämistä ylimääräiseksi syötteeksi, negatiivisten sademääräennusteiden rajoittamista nollaan, sekä spatiaalisen gradienttitermin tai SSIM-termin lisäämistä häviöfunktioon.

Kaikki tutkitut mallit paransivat tuloksia bilineaariseen interpolointiin verrattuna, ja U-Net saavutti parhaan kokonaissuorituskyvyn perinteisten kvantitatiivisten mittareiden perusteella. Fourier-amplitudispektrien analyysi osoitti kuitenkin, että U-FNO onnistui parhaiten jäljittelemään kohdespektriä. Tämä osoittaa, että perinteiset virhemittarit eivät yksinään riitä kuvaamaan kaikkia ennusteiden välisiä eroja. Sademäärän skaalaaminen osoittautui huomattavasti haastavammaksi sen paikallisen ja vinoutuneen jakauman vuoksi.

Tulokset korostavat koneoppimiseen perustuvien menetelmien potentiaalia ERA5-aineiston spatiaalisen tarkkuuden parantamisessa sekä useiden toisiaan täydentävien arviointimenetelmien merkitystä.