Deep convolutional neural networks for statistical downscaling of climate change projections

Abstract

RESUMEN Las proyecciones climáticas a escala local y/o regional son muy demandadas por diversos sectores socioeconómicos para elaborar sus planes de adaptación y mitigación al cambio climático. Sin embargo, los modelos climáticos globales actuales presentan una resolución espacial muy baja, lo que dificulta enormemente la elaboración de este tipo de estudios. Una manera de aumentar esta resolución es establecer relaciones estadísticas entre la variable local de interés (por ejemplo la temperatura y/o precipitación en una localidad dada) y un conjunto de variables de larga escala (por ejemplo, geopotencial y/o vientos en distintos niveles verticales) dadas por los modelos climáticos. En particular, en esta Tesis se explora la idoneidad de las redes neuronales de convolución (CNN) como método de downscaling estadístico para generar proyecciones de cambio climático a alta resolución sobre Europa. Para ello se evalúa primero la capacidad de estos modelos para reproducir la variabilidad local de precipitación y de temperatura en un período histórico reciente, comparándolas contra otros métodos estadísticos de referencia. A continuación, se analiza la idoneidad de estos modelos para regionalizar las proyecciones climáticas en el futuro (hasta el año 2100). Además, se desarrollan diversos estudios de interpretabilidad sobre redes neuronales para ganar confianza y conocimiento sobre el uso de este tipo de técnicas para aplicaciones climáticas, puesto que a menudo son rechazadas por ser consideradas “cajas negras”.

ABSTRACT Regional climate projections are very demanded by different socioeconomics sectors to elaborate their adaptation and mitigation plans to climate change. Nevertheless, the state-of-the-art Global Glimate Models (GCMs) present very coarse spatial resolutions what limits their use in most of practical applications and impact studies. One way to increase this limited spatial resolution is to establish empirical/statistical functions which link the local variable of interest (e.g. temperature and/or precipitation at a given site) with a set of large-scale atmospheric variables (e.g. geopotential and/or winds at different vertical levels), which are typically well-reproduced by GCMs. In this context, this Thesis explores the suitability of deep learning, and in particular modern Convolutional Neural Networks (CNNs), as statistical downscaling techniques to produce regional climate change projections over Europe. To achieve this ambitious goal, the capacity of CNNs to reproduce the local variability of precipitation and temperature fields in present climate conditions is first assessed by comparing their performance with that from a set of traditional, benchmark statistical methods. Subsequently, their suitability to produce plausible future (up to 2100) high-resolution scenarios is put to the test by comparing their projected signals of change with those given by a set of state-of-the-art GCMs from CMIP5 and Regional Climate Models (RCMs) from the flagship EURO-CORDEX initiative. Also, a variety of interpretability techniques are also carried out to gain confidence and knowledge on the use of CNNs for climate applications, which have typically discarded until now for being considered as "black-boxes".