Despliegue de modelos Deep Learning para procesamiento de datos climáticos

Abstract

RESUMEN En este trabajo se ha validado la posibilidad de hacer downscaling estadístico con redes neuronales profundas (Deep Learning). Para ello se han realizado dos experimentos; en primer lugar se ha tomado como benchmark el experimento definido en el proyecto VALUE (intercomparación de métodos de downscaling sobre Europa) usando como predictores variables atmosféricas de larga escala (del reanálisis ERA-Interim) y como predictando la precipitación local en 86 estaciones sobre Europa, para el período 1979-2008. Con estos datos se ha podido hacer downscaling estadístico con redes neuronales utilizando tanto CPUs como GPUs para el aprendizaje. Como métrica se ha utilizado el ROC skill score, con un resultado de 0.76+-0.02. En cuanto a los tiempos se ha podido comprobar que en GPU ha sido cuatro veces más rápido que en CPU. En segundo lugar se ha hecho una extensión de este experimento para comprobar su escalabilidad. Para ello se han considerado los mismos predictores, pero como predicando se ha considerado la precipitación en una rejilla regular sobre Europa (EOBS con ~50km de resolución, equivalente a 3259 “estaciones”). Con estos datos se han entrenado modelos de downscaling (solo con CPU en este caso) y se ha obtenido un ROC skill score de 0.79+-0.02; los tiempos de ejecución han aumentado unas cuatro veces respecto al primer caso con CPU también. Como resultado final de este TFM, se ha podido demostrar que es posible hacer downscaling estadístico a escala continental, sobre Europa en nuestro caso. También se ha validado que el uso de GPU reduce los tiempos en el entrenamiento respecto a las CPU.

ABSTRACT: In this work, the possibility of performing statistical downscaling with deep neural networks has been validated. For this purpose two experiments have been carried out; in the first one we took as a benchmark the experiment defined in the VALUE Project (intercomparison of downscaling methods over Europe), using as predictors long-range atmospheric variables (from the ERA-Interim reanalysis) and as predicting the local precipitation over Europe for the period 1979-2008. With this data it has been possible to do statistical downscaling with neural networks, using both CPUs and GPUs for the learning. As a metric we used the ROC skill score, with a result of 0.76+-0.02. Regarding the times we registered that GPUs were four times faster than CPU. In second place an extension has been done to validate the scalability. For this purpose the same predictors have been considered, but as a predicting we took the precipitation in a regular grid over Europe (EOBS with 50km resolution, equivalent to 3259 “stations”). With this data, downscaling models have been trained (only with CPU in this case) giving as a result a ROC skill score of 0.79+-0.02; the execution times have increased about four times compared to the first case with CPU as well. As a final result of this work, it has been possible to demonstrate that it is possible to perform statistical downscaling on a continental scale, over Europe in our case. It has also been validated that the usage of GPU reduces training times compared to CPUs.