[論文レビュー] Algorithmic Hallucinations of Near-Surface Winds: Statistical Downscaling with Generative Adversarial Networks to Convection-Permitting Scales

Nicolaas J. Annau, Alex J. Cannon+1 more|arXiv (Cornell University)|Feb 17, 2023

Meteorological Phenomena and Simulations被引用数 6

ひとこと要約

本研究では、WRFモデルの出力を高分解能のターゲットとして用い、周波数分離技術を組み合わせた生成的対抗ネットワーク（GANs）を用いて、北アメリカにおける近地面風速を対流許容スケールに統計的ダウンスケーリングする。GANの対抗損失が空間的変動性を決定的に規定していることが明らかになった。一方、RAPSDを用いたスペクトル評価により、スケール依存のバイアスが特定され、生成された場の空間的構造をよりよく制御できる、新しい部分周波数分離方式が提案された。

ABSTRACT

This paper explores the application of emerging machine learning methods from image super-resolution (SR) to the task of statistical downscaling. We specifically focus on convolutional neural network-based Generative Adversarial Networks (GANs). Our GANs are conditioned on low-resolution (LR) inputs to generate high-resolution (HR) surface winds emulating Weather Research and Forecasting (WRF) model simulations over North America. Unlike traditional SR models, where LR inputs are idealized coarsened versions of the HR images, WRF emulation involves using non-idealized LR and HR pairs resulting in shared-scale mismatches due to internal variability. Our study builds upon current SR-based statistical downscaling by experimenting with a novel frequency-separation (FS) approach from the computer vision field. To assess the skill of SR models, we carefully select evaluation metrics, and focus on performance measures based on spatial power spectra. Our analyses reveal how GAN configurations influence spatial structures in the generated fields, particularly biases in spatial variability spectra. Using power spectra to evaluate the FS experiments reveals that successful applications of FS in computer vision do not translate to climate fields. However, the FS experiments demonstrate the sensitivity of power spectra to a commonly used GAN-based SR objective function, which helps interpret and understand its role in determining spatial structures. This result motivates the development of a novel partial frequency-separation scheme as a promising configuration option. We also quantify the influence on GAN performance of non-idealized LR fields resulting from internal variability. Furthermore, we conduct a spectra-based feature-importance experiment allowing us to explore the dependence of the spatial structure of generated fields on different physically relevant LR covariates.

研究の動機と目的

• 近地面風速場のための機械学習ベースの統計的ダウンスケーリングフレームワークをGANを用いて開発すること。
• 内部大気変動に起因する非理想化的かつ確率的な低分解能（LR）および高分解能（HR）データペアの課題に対処すること。
• 標準的指標ではなく、空間的パワー スペクトル（RAPSD）を用いたGANベースのダウンスケーリングの評価により、モデル性能のスケール別評価を可能にすること。
• 異なる損失関数および共変数が生成された風速場の空間的構造に与える影響を調査すること。
• 空間的変動性の制御を向上させるために、新しい部分周波数分離（FS）方式を提案・検証すること。

提案手法

• 低分解能の大気共変数を条件として、勾配ペナルティを用いたワッサーシュタイン GAN（WGAN-GP）を訓練し、高分解能風速場を生成した。
• コンピュータビジョンからインspiredされた周波数分離（FS）損失部を導入し、生成器の目的関数を低周波数および高周波数成分に分解した。
• 空間スケールごとに、対抗損失とコンテンツ損失を独立して制御できる部分周波数分離（PFS）方式を適用した。
• 生成された風速場と真の風速場との間のスケールごとの比較を、空間的パワー スペクトル（RAPSD）を用いてモデル性能を評価した。
• 個々の低分解能共変数（例：CAPE、ジオポテンシャル高度）が空間的構造に与える影響を定量化するための特徴量重要度実験を実施した。
• Docker化された環境とコードアーカイブを用いて、完全な再現性を確保した。

実験結果

リサーチクエスチョン

• RQ1 異なるGANアーキテクチャおよび損失関数は、生成された近地面風速場の空間的変動性にどのように影響を与えるか？
• RQ2 コンピュータビジョン分野で開発された周波数分離技術が、気候場のダウンスケーリングにどの程度適用可能か？
• RQ3 高分解能WRFシミュレーション内の内部変動は、ダウンスケーリングモデルの忠実性にどのように影響を与えるか？
• RQ4 どの低分解能共変数が、生成された風速場の空間的構造に最も強く影響を与えるか？
• RQ5 部分周波数分離方式は、GANベースのダウンスケーリングにおいて、スケールにわたる空間的変動性の表現を改善できるか？

主な発見

• GANにおける対抗損失は、特に高周波数成分において、現実的な空間的変動性を生成する上で極めて重要な役割を果たしている。
• コンピュータビジョン分野で標準的に行われる周波数分離手法はスペクトル性能を向上させなかったが、対抗損失が空間パワー スペクトルの形状を支配していることが明らかになった。
• 部分周波数分離（PFS）方式は、スケールごとの損失成分を効果的に分離でき、ハイパーパramータ α および N に感度を示しており、空間的構造の制御に柔軟に利用可能なツールである可能性を示した。
• 内部変動を含む非理想化された低分解能フィールドは、大スケールで低パワーのバイアスを生成フィールドに与えるが、物理的に意味のある共変数を組み込むことでこれを緩和できる。
• 特徴量重要度分析の結果、CAPEは微細スケール風速変動の主要因であり、その影響は地域によって異なることが判明した。
• RAPSDに基づく評価により、生成された変動性に系的なバイアスが存在することが明らかになり、気候応用分野におけるSRモデルのスケール別比較に、この指標の価値が示された。