Herabsetzen historischer Windfelder über der Schweiz mittels generativer adversarialer Netzwerke

Zusammenfassung Der Wind in der Nähe der Oberfläche ist schwer zu schätzen, wenn globale numerische Wetter- und Klimamodelle verwendet werden, da der Luftstrom stark von der darunterliegenden Topographie, insbesondere in einem Land wie der Schweiz, beeinflusst wird. In diesem Artikel verwenden wir einen statistischen Ansatz, der auf Deep Learning basiert, sowie ein hochauflösendes digitales Höhenmodell, um stündliche Windfelder in der Nähe der Oberfläche von grober Auflösung der ERA5-Nachanalysen von ihrem ursprünglichen 25-km-Raster auf ein 1,1-km-Raster räumlich herabzuparameterisieren. Ein Winddatensatz mit 1,1-km-Auflösung für 2016–20 aus dem operativen numerischen Wettervorhersagemodell COSMO-1 des nationalen Wetterdienstes MeteoSwiss wird verwendet, um unser Modell, ein generatives adversariales Netzwerk (GAN) mit gradientengebühren Wassersteinverlust unterstützt durch Transferlernen, zu trainieren und zu validieren. Die Ergebnisse sind realistisch aussehende hochauflösende historische Karten der rasterisierten stündlichen Windfelder über der Schweiz sowie sehr gute und robuste Vorhersagen der aggregierten Windgeschwindigkeitsverteilung. Regional gemittelte, bildspezifische Metriken zeigen eine klare Verbesserung der Vorhersage im Vergleich zu ERA5, wobei die Skill-Messungen im Allgemeinen für Standorte über dem flacheren Schweizer Plateau besser ausfallen als für alpine Regionen. Die herabgesetzten Windfelder zeigen höher aufgelöste, physikalisch plausible orographische Effekte wie Kammbeschleunigung und Schutz, die in den ursprünglichen ERA5-Feldern nicht aufgelöst sind. Bedeutungserklärung Die statistische Herabsetzung, die die Auflösung atmosphärischer Felder erhöht, wird häufig verwendet, um die Ausgaben globaler Nachanalysen und Klimamodelle zu verfeinern, am häufigsten für Temperatur und Niederschlag. Der Wind in der Nähe der Oberfläche wird stark von der zugrunde liegenden Topographie beeinflusst, wodurch lokale Strömungsbedingungen entstehen, die sehr schwer zu schätzen sein können. Diese Studie entwickelt ein Deep-Learning-Modell, das lokale topographische Informationen nutzt, um stündliche Winde in der Nähe der Oberfläche von ihrer ursprünglichen Auflösung von 25 km auf ein 1,1-km-Raster über der Schweiz herabzusetzen. Unser Modell erzeugt realistische hochauflösende rasterisierte Windfelder mit erwarteten orographischen Effekten, schneidet jedoch in flacheren Regionen besser ab als in gebirgigen Gebieten. Diese herabgesetzten Felder sind nützlich für die Auswirkungen und Entscheidungsfindung in Regionen, in denen globale Nachanalysedaten mit grober Auflösung möglicherweise die einzigen verfügbaren Produkte sind.