Towards explainable and physically-based deep learning statistical downscaling methods

Abstract

To design strategies against climate change, it is crucial to have projections generated by climate models. Unfortunately, the coarse resolution of these models poses challenges in simulating variables at the local scale. To overcome this limitation, statistical downscaling uses statistical models to understand the relationship between local and large-scale variables unaffected by this coarse resolution. Although deep learning models have emerged as a promising technique to learn this relationship, they are considered black-boxes as the learned relationships are challenging to comprehend, leading to mistrust among experts.

To overcome this limitation, this Thesis explores eXplainable Artificial Intelligence techniques to assess these models in terms of the learned relationships, achieving a more robust and physically-based validation of deep learning models for statistical downscaling, as well as aligning the resultant projections with some fundamental physical constraints. In addition to the application of these diagnostics to a real use-case in Iberia in the context of the Escenario-PNACC initiative, some computational aspects involved in this process are also explored.

Para diseñar estrategias frente al cambio climático, es crucial contar con proyecciones generadas por modelos climáticos. Sin embargo, la baja resolución de estos modelos plantea desafíos en la simulación de variables a escala local. Para superar esta limitación, el downscaling estadístico emplea modelos estadísticos para aprender la relación entre variables locales y variables de larga escala no afectadas por la baja resolución. Aunque los modelos de aprendizaje profundo han surgido como una técnica prometedora para captar esta relación, se consideran "cajas negras" debido a que las relaciones aprendidas son difíciles de comprender, generando desconfianza entre los expertos.

A fin de superar esta limitación, en esta Tesis se exploran técnicas basadas en eXplainable Artificial Intelligence para evaluar los modelos de aprendizaje profundo en términos de las relaciones aprendidas, logrando una validación más robusta y con consistencia fı́sica de estos modelos aplicados al downscaling estadístico, así como alinear las proyecciones resultantes con algunas restricciones fı́sicas fundamentales. Además de la aplicación de estos diagnósticos a un caso de uso real en Iberia en el contexto de la iniciativa Escenario-PNACC, también se exploran algunos aspectos computacionales implicados en este proceso.