由于气候变化，极端天气，特别是暴雨事件预计会更频繁。许多自然灾害，如洪水或山体滑坡，直接由极端降水引起。基于气候预测的模型经常被使用。现有的气候模型必须提高准确代表高度变化的大气现象的能力。研究人员预计，不断增长的平均温度将导致极端降水事件进一步增加。
卡尔斯鲁厄理工学院（KIT）的研究人员利用人工智能（AI）的力量来提高全球气候模型生成的粗糙降水图的精确性。
研究人员强调，该模型将降水场的时间分辨率从一小时缩短到十分钟，并将空间分辨率从32提高到两千米。他们表示，更高的分辨率对于预测未来发生的局部暴雨事件和随之而来的自然灾害至关重要。
该方法涉及应用生成式神经网络，具体而言就是生成对抗网络（GAN），这是一种AI形式。这个GAN使用高分辨率雷达降水数据进行训练，使其能够以显著更高的空间和时间分辨率学习和模仿逼真的降水场。
现有的全球气候模型使用的网格缺乏捕捉降水变异性所需的细节。而且，传统上生成高分辨率的降水图需要计算上昂贵的模型，导致了空间或时间上的限制。
根据研究人员的说法，这就是开发基于高分辨率雷达降水场进行训练的GAN的原因。通过这种方式，GAN从粗略解决的数据中学习如何生成逼真的降水场并确定其时间序列。
与三线性插值和经典卷积神经网络相比，生成模型以高技巧重建分辨率相关的极值分布。在15 mm h−1降雨强度上表现出0.6的高分数技巧得分和3.35％的低相对偏差。
根据研究人员的解释，他们的方法产生了多种可能的降水场解集合。这一点很重要，因为对于每个粗糙解决的降水场，存在许多在物理上可能的高分辨率解。
他们解释说，使用这种方法模拟的降水事件更高的分辨率将有助于更好地估计2021年阿尔河洪水天气条件在2度更温暖的世界中所造成的影响。
总之，该模型提供了一种增强全球气候模型预测降水精度的解决方案。这一进展有助于更准确的气候预测。它有潜力在变化的气候下更好地理解和应对极端天气事件的后果。