Statut : baseline méthodologique, contre-performante vs Lot B (statistical lapse + QDM + RBF Sencrop). Conservée pour traçabilité et starting point d'expériences futures.

Description

Modèles U-Net + FiLM (Feature-wise Linear Modulation) entraînés pour le downscaling de la température minimale nocturne (Tmin) de CERRA 5,5 km vers une grille 1 km calibrée sur le réseau Sencrop in-situ (49 stations Baronnies + nord Vaucluse).

Setup d'entraînement (this baseline) :

Per-year, indépendant : un modèle séparé par année (2022, 2023, 2024, 2025)
Architecture : U-Net base_ch=32, n_levels=3, use_film=True
Loss : MSE sur observations sparse Sencrop (UNetSparseCalibrationModule)
Split : random 80/20 train/val sur les nuits fév-mai
Optimizer : Adam lr=1e-4, warmup 2 epochs
Max epochs : 20, EarlyStopping val/rmse patience=5
Backend : Apple MPS (MacBook M-series)
Données : ~120 nuits/an avec ≥5 stations Sencrop, ~30 stations/nuit en moyenne

Performance (4 ans 2022-2025, seuil -2,2 °C BBCH flo abricot)

Sur 16 814 paires station-nuit Baronnies :

Métrique	Lot B (statistical)	Lot C (this model)
Bias moyen	-0,06 °C	+2,63 °C
RMSE	1,40 °C	5,87 °C
POD global	44 %	9 %
FAR global	34 %	81 %
CSI global	0,36	0,07

Lecture honnête : ce baseline DL FiLM est moins bon que la pipeline statistique simple (lapse + QDM + RBF Sencrop). Plusieurs causes probables :

Pas de hold-out temporel : random split val ∈ train year, métriques optimistes pour la val mais ne généralise pas
Petit dataset : ~100 nuits × 1 sample/nuit = ~100 epochs effectifs trop peu pour un U-Net
Per-year training : sous-utilise les données multi-annuelles
Loss MSE non gel-aware : pénalise pareil sur les nuits chaudes (peu d'enjeu) et froides (l'enjeu)
20 epochs max : peut être insuffisant
Pas de FiLM regime conditioning (issue maurinl26/downscaling#41)

Roadmap (next experiments)

Prochains pas pour dépasser cette baseline :

Multi-year training + hold-out 2026 (issue #26)
Loss redesign gel-aware (asymetric/tail-heavy) (issue #5)
FiLM regime conditioning (R1/R2/R3/R4a/R4b en input modulator) (issue #41)
Densify supervision via Lot B pseudo-labels (issue #23)
Bigger model + better regularization (revisiter issue #28)

Files

2022-best.ckpt (Lightning, ~5 MB)
2023-best.ckpt
2024-best.ckpt
2025-best.ckpt

Reproduction

bash

pip install 'git+https://github.com/maurinl26/downscaling@main'

# Inference on year 2023 (S3 output)
uv run python -m downscaling.scripts.recalibrate_dl_film \
  --year 2023 \
  --cerra-atm cerra_atm_2023.nc \
  --dem dem_attributes.nc \
  --sencrop /path/to/sencrop_bulk \
  --out s3://your-bucket/recalibrated/dl_film \
  --device auto --epochs 20 --early-stopping-patience 5

Stratified analysis (POD/FAR by synoptic regime)

See karpos26/lot-c-dl-film-baseline-v1/analyses/ and the EPIC C5 annex.

Citation

bibtex

@misc{karpos_lot_c_baseline_2026,
  author = {Maurin, Loïc},
  title = {Karpos Lot C DL FiLM Baseline v1},
  year = {2026},
  publisher = {HuggingFace},
  url = {https://huggingface.co/karpos26/lot-c-dl-film-baseline-v1},
  note = {Baseline méthodologique, à dépasser via multi-year + gel-aware loss}
}

License

Apache 2.0 (cohérent avec downscaling)