극한 고온은 도시 적응을 위해 킬로미터 스케일(kilometer-scale)의 데이터가 가장 필요한 분야이지만, 다운스케일러를 학습(training)시키는 시뮬레이션은 절감되는 비용보다 더 많은 비용이 들 수 있으며, 얼마나 많은 데이터가 필요한지는 밝혀지지 않았습니다. 본 연구에서는 1개월에서 8개월에 이르는 24가지 구성을 통해 32km 재분석 자료를 1km의 기온, 습도, 바람으로 다운스케일링하며 구조 보존 손실(loss)을 적용한 U-Net 기반의 CASPER를 통해 이를 측정했습니다. 홀드아웃(held-out) 오차는 학습 데이터와의 기후학적 거리에 따라 선형적으로 증가하며(RMSE = 0.83 + 2.95 d), 데이터양의 설명력이 7%인 것에 비해 분산의 90%를 설명하고 보지 못한 달의 결과를 사전에 예측합니다. 홀드아웃된 극한 여름 주간에서 CASPER는 동일한 예산의 베이스라인 모델들이 저하시키는 미세 스케일 구조와 다변량 물리 관계를 보존하며, 기록된 폭염 기간 동안 관측소 관측치와 1.8 K 이내로 일치합니다. 새로운 지역으로의 전이(transfer)는 지리적으로 성능이 저하되지만, 11일간의 국소 시뮬레이션만으로 밴쿠버의 홀드아웃 오차를 3.8 K에서 1.3 K로 감소시킵니다. 따라서 학습 기간은 목표 기후를 포괄해야 합니다. 즉, 4배 적은 시뮬레이션으로도 동일한 정확도를 확보할 수 있어 대규모 컴퓨팅 시설이 없는 연구 그룹도 극한 고온의 킬로미터 스케일 다운스케일링에 접근할 수 있게 됩니다.
개발도상국의 사회경제적 과제를 해결하기 위해 빈곤 및 식량 안보 지표를 모니터링하는 것은 필수적이다. 한계는 데이터 소스 간의 공간 규모 불일치에 있다. 인구조사 데이터는 지리적 커버리지를 제공하는 반면, 사회경제적 지표는 드물게 실시되는 조사에서 거친 해상도로 도출되어 방법론적 과제를 야기한다. 본 연구는 2001년 및 2011년 인도 인구조사 및 조사 데이터를 사례 연구로 활용하여 심층 학습 프레임워크 JuGAAD를 제안한다. 우리는 3단계 절차를 사용한다. 인구조사 및 지리공간 데이터를 중간 수준의 마을-클러스터 규모 테셀레이션(tessellation)으로 평균화하여 노이즈를 줄이고 행정 경계 변경을 정규화한다. 오토인코더가 고차원 National Sample Survey Office(NSSO) 데이터를 저차원 잠재 표현(latent representation)으로 압축한다. 회귀 모델이 업스케일된 인구조사 및 지리공간 데이터를 이 표현에 매핑한다. 이 함수는 고해상도 예측을 생성하기 위해 세밀한 인구조사 데이터에 적용되며, 실측(ground-truth) 구(district) 수준 NSSO 지표에 대해 검증된다. 결과는 해당 방법론이 세밀한 규모에서 사회경제적 지표를 높은 정확도로 예측함을 확인한다.
전역 기상 기반 모델(Aurora)의 잠재 공간에서 직접 동작하는 경량 다중 스케일 예측 헤드를 추가하여, 백본 재학습 없이 0.25°→0.025°의 100배 해상도 향상을 달성하는 지역 날씨 다운스케일링 프레임워크를 제안한다. 수치기상예측(NWP) 대비 대부분의 지표에서 높은 정확도를 훨씬 낮은 계산 비용으로 달성하며, 이미지 기반 초해상도 방식보다 우수한 다운스케일링 성능을 보인다.