地球システムモデルの高忠実度超解像のための周波数適応型ビジョン・トランスフォーマー

科学分野:

• 気候科学
• 地球システムモデリング
• 人工知能

背景:

• 粗い地球システムモデル（ESM）シミュレーションは、気候科学に不可欠な空間忠実度を欠いています。
• 従来の深層超解像手法は、しばしばスペクトルバイアスを導入し、高周波情報よりも低周波詳細を優先します。

研究 の 目的:

• ESM超解像におけるスペクトルバイアスの軽減のための新しい周波数適応型深層学習フレームワークを開発すること。
• 気候データにおける微細構造および高周波詳細の再構成を改善すること。

主な方法:

• ビジョン・トランスフォーマーと正弦波活性化を組み合わせたViSIR（Vision Transformer-Tuned Sinusoidal Implicit Representation）を導入しました。
• 明示的なフーリエフィルタリングを統合して独立した周波数学習を行うViFOR（Vision Transformer Fourier Representation Network）を開発しました。
• 表面温度、短波および長波フラックスのE3SM-HR地球システムデータセットでモデルを評価しました。

主要な成果:

• ViSIRおよびViFORは、畳み込みニューラルネットワーク（CNN）、生成ネットワーク、およびバニラ・トランスフォーマーを上回りました。
• ViFORは、ピーク信号対雑音比（PSNR）で最大2.6 dBの改善を達成しました。
• 両モデルとも、ベースライン手法と比較して優れた構造的類似性（SSIM）を示しました。

結論:

• ViSIRおよびViFORのような周波数適応型フレームワークは、ESM超解像におけるスペクトルバイアスを効果的に対処します。
• これらのモデルは、気候シミュレーション出力の空間忠実度を大幅に向上させます。
• ViFORは、高忠実度の気候データ再構成に特に有望です。