Die Schweizer Klimaprojektionen (CH2018 und CH2025) und ein Teil der historischen Beobachtungen stehen nur auf täglicher Zeitskala zur Verfügung. Dieses Projekt entwickelt eine Methode zum zeitlichen Downscaling auf Basis konditionaler GANs (Generative Adversarial Networks), um aus täglichen Daten realistische stündliche meteorologische Daten zu erzeugen. Im Gegensatz zu anderen statistischen oder stochastischen Ansätzen besteht ihr Vorteil darin, die Eigenschaften der Klimaszenarien (saisonales und tägliches Verhalten) exakt beizubehalten und gleichzeitig eine bessere zeitliche Auflösung an den interessierenden Stationen zu ermöglichen. Darüber hinaus lernen diese Generatoren zeitliche Strukturen und Zusammenhänge zwischen Variablen und sind bekannt dafür, Extremwerte besser darzustellen als andere Generatoren wie Variational Auto Encoders.

Ergebnisse

Methode: GANs mit harten physikalischen Nebenbedingungen
Die Originalität des Ansatzes liegt in der Integration von harten physikalischen Nebenbedingungen direkt in die Generatorarchitektur: Ein Berechnungsschritt erzwingt dass die Summe der stündlichen Niederschläge der gemessenen Tagessumme entspricht, und die Temperaturen werden zwischen den täglichen Extremwerten skaliert. Die Methoden können auch konditioniert werden mithilfe von 22 Variablen (Wetterkontext, Saisonalität). Eine Studie, die den Effekt von Konditionierung und Forcierung vergleicht, zeigt, dass beide Mechanismen komplementär sind.

Validierung über 11 Jahre Daten – Vallée de Joux
Trainiert auf 9 Jahre und getestet auf 2 Jahre stündlicher Messungen von 4 Jura-Stationen übertrifft das konditionierte und forcierte GAN die zufallsbasierte Referenzmethode hinsichtlich Verteilungstreue (Wasserstein-Distanz : 0,013 mm/h gegenüber 0,049 mm/h), bei Korrelationen zwischen Stationen und bei der Reproduktion von Niederschlagsextremen (vgl. Figure 2).