[論文レビュー] A Multi-Scale Deep Learning Framework for Projecting Weather Extremes

Antoine Blanchard, Nishant Parashar+3 more|arXiv (Cornell University)|Oct 21, 2022

Meteorological Phenomena and Simulations被引用数 11

ひとこと要約

本論文は、観測再解析データを用いて粗い解像度のグローバル気候モデル（GCM）のバイアスを是正し、細粒度の大気特徴を再構築することで解像度を向上させるマルチスケール深層学習フレームワークを提案する。ウェーブレットに基づくマルチスケール分解、極端な出来事象に重点を置いた物理的制約付きの統計的損失関数、および分割統治型トレーニング戦略を組み合わせることで、西ヨーロッパにおける気象極端現象の統計的に現実的で高解像度のシミュレーションが得られ、生のGCM出力と比較して尾部統計と空間整合性が顕著に向上した。

ABSTRACT

Weather extremes are a major societal and economic hazard, claiming thousands of lives and causing billions of dollars in damage every year. Under climate change, their impact and intensity are expected to worsen significantly. Unfortunately, general circulation models (GCMs), which are currently the primary tool for climate projections, cannot characterize weather extremes accurately. To address this, we present a multi-resolution deep-learning framework that, firstly, corrects a GCM's biases by matching low-order and tail statistics of its output with observations at coarse scales; and secondly, increases the level of detail of the debiased GCM output by reconstructing the finer scales as a function of the coarse scales. We use the proposed framework to generate statistically realistic realizations of the climate over Western Europe from a simple GCM corrected using observational atmospheric reanalysis. We also discuss implications for probabilistic risk assessment of natural disasters in a changing climate.

研究の動機と目的

• 粗い解像度のグローバル気候モデル（GCM）における気象極端現象の不十分な表現を是正すること。GCMは統計的バイアスと不十分な解像度に苦しんでいる。
• 任意の解像度で高精度で統計的に一貫性のある気候実現を生成することで、自然災害の確率的リスク評価を向上させること。
• 機械学習ベースの気候モデリングにおけるスケール間の非線形エネルギー移動と非決定的で細粒度の力学的ダイナミクスの課題を克服すること。
• 物理的GCMとデータ駆動型深層学習を組み合わせることで、極端な気象現象の効率的かつ大規模なシミュレーションを可能にすること。
• 新規の統計的損失関数とマルチスケールウェーブレット分解を通じて、生成された気候場の物理的整合性と安定性を確保すること。

提案手法

• フレームワークは、大気変数をマルチスケール成分に分解するための離散球面ウェーブレットフレームを用い、効果的なスケール分離と計算効率を実現する。
• 半教師ありのLSTMベースのニューラルネットワークが、ERA5再解析データの低次統計と尾部統計とを一致させることで、粗いスケールのGCM出力を是正する。
• 独自の統計的損失関数が、モデル出力と観測値間のパワースペクトルおよびクロススペクトルの差を最小化することで、極端な出来事象と空間整合性を強調する。
• 細粒度の再構築は、別個の深層学習モデルが粗いスケールのウェーブレット係数を高解像度のそれにマッピングすることで実施され、再解析データでトレーニングされる。
• 分割統治型トレーニング戦略により、各ウェーブレット中心で局所化されたニューラルネットワークを同時にトレーニング可能となり、共有損失関数を通じて通信が保証される。
• 本手法は2段階で構成される：(1) 再解析データをベンチマークとして用い、粗いスケールのGCM出力を是正する段階、(2) 是正済みの粗いフィールドから細粒度の特徴を再構築する段階。

実験結果

リサーチクエスチョン

• RQ1 深層学習フレームワークは、粗い解像度のGCM出力における統計的バイアスを効果的に是正できるか。同時に、大規模な大気循環ダイナミクスを保持できるか。
• RQ2 データ駆動型モデルは、不自然な構造を導入することなく、粗いスケールの入力から細粒度の大気特徴をどれほど正確に再構築できるか。
• RQ3 スペクトルおよびクロススペクトル損失関数の導入が、気候シミュレーションにおける極端な出来事象の統計の現実性をどの程度向上させるか。
• RQ4 マルチスケールでウェーブレットに基づく表現は、乱流大気流における顕著なスケール差において、安定的かつ物理的に整合性のある学習を可能にするか。
• RQ5 提案されたフレームワークは、生のGCM出力と比較して、渦度および他の主要気象変数の時間的・空間的分布をどの程度正確に捉えられるか。

主な発見

• 是正ステップにより、SPEEDY GCMにおける渦度の時間的確率密度関数とパワースペクトルが効果的に是正され、分布の尾部における極端な出来事象の表現が顕著に改善された。
• 特定の都市における渦度の月間分布は、是正済み出力とERA5再解析データの間に強く一致しており、極端な出来事象分析に不可欠な0.1および0.9分位数が正確に捉えられていた。
• 是正済みシミュレーションの季節平均渦度は再解析データとよく一致しており、気候サイクル全体にわたる一貫性ある性能が確認された。
• 視覚的比較では、機械学習モデルが元のGCMの流れを最小限に変形させつつ統計的バイアスを是正しており、大規模な流れのパターンを保持していた。
• 解像度向上ステップにより、時間統計と再構築スナップショットの視覚的点検を通じて、細粒度の渦度が高精度に再構築された。
• 全スケールの是正済みシミュレーションは、パリとロンドンを除く7都市において再解析データと強い一致を示した。確率密度関数とスペクトル振幅の一致が確認された。