[論文レビュー] DeepClimGAN: A High-Resolution Climate Data Generator

Alexandra Puchko, Robert Link+3 more|arXiv (Cornell University)|Nov 23, 2020

Meteorological Phenomena and Simulations参考文献 19被引用数 8

ひとこと要約

DeepClimGANは、低分解能の月間気候傾向と最近の天候状態を条件として、128×256グリッド、32日間の高分解能で時空間的な日々の気候データ（気温、湿度、降水量）を生成する条件付き生成対抗ネットワーク（cGAN）を提案する。モデルは現実的な日々の気温分布を再現し、月の境界を超えた時間的連続性を維持しており、気候極端現象のスケーラブルなシミュレーションを可能にする。

ABSTRACT

Earth system models (ESMs), which simulate the physics and chemistry of the global atmosphere, land, and ocean, are often used to generate future projections of climate change scenarios. These models are far too computationally intensive to run repeatedly, but limited sets of runs are insufficient for some important applications, like adequately sampling distribution tails to characterize extreme events. As a compromise, emulators are substantially less expensive but may not have all of the complexity of an ESM. Here we demonstrate the use of a conditional generative adversarial network (GAN) to act as an ESM emulator. In doing so, we gain the ability to produce daily weather data that is consistent with what ESM might output over any chosen scenario. In particular, the GAN is aimed at representing a joint probability distribution over space, time, and climate variables, enabling the study of correlated extreme events, such as floods, droughts, or heatwaves.

研究の動機と目的

• 地球システムモデル（ESMs）の計算コストをかけずに、高速で高分解能の気候データ生成器を開発すること。
• 影響評価のため、複数の気候変数（気温、湿度、降水量）に対して一貫性があり、時間的に連続した日々の天候データを生成すること。
• 多数の現実的で妥当な気候シナリオを生成することで、極端な気候現象のサンプリングを可能にすること。
• 最近の天候状態と低分解能の気候傾向を条件として、月の境界を超えた時間的連続性を確保すること。
• 気候リスク評価と影響研究に応用可能なスケーラブルで汎用性のあるツールを提供すること。

提案手法

• 32日間の予報期間のための3次元時空間出力（H×W×T×V）を生成する条件付きGANアーキテクチャを採用する。
• 生成器は3次元の転置畳み込みを用い、バッチ正則化とReLU活性化関数を適用し、2種類のコンテキストを注入する：最近の天候（K日分の履歴、c₂）と月平均（c₁）。
• コンテキストは空間的にダウンサンプリングされ、時間方向に複製され、各3次元アップコンボリューション層でチャネル次元に沿って連結される。
• 識別器は3次元畳み込みを用い、leaky ReLUとバッチ正則化を適用し、実データと生成データを区別するためのシグモイド出力を有する。
• Adam最適化法（lr=0.0002、β₁=0.5）を用いた交互更新を採用し、ノイズ注入と経験再利用によるデータ拡張を実施する。
• 生成された気温と降水量の周辺統計を実データと一致させるために事前学習を適用する。

実験結果

リサーチクエスチョン

• RQ1 条件付きGANは、実際の地球システムモデル出力の統計的性質を再現する高分解能の日々の気候データを生成できるか？
• RQ2 連鎖する生成予報において、月の境界を超えて時間的連続性をどの程度維持できるか？
• RQ3 生成器は気温や降水量といった主要な気候変数の周辺分布および同時分布をどの程度正確に再現できるか？
• RQ4 多数の現実的で妥当な将来シナリオを生成することで、効率的に極端な気候現象をサンプリングできるか？
• RQ5 異なるアーキテクチャ的選択とトレーニング技術は、生成された気候データの現実性と安定性にどのように影響を与えるか？

主な発見

• 320個のランダムに選択された32日間の期間におけるヒストограм比較から、生成された平均気温分布が実際のCMIP5データと非常に近いことが示された。
• 多様な気候地域に位置する6か所の空間的地点における生成された日々の気温シーケンスは、視覚的および統計的に実データと強く類似しており、現実的な時空間パターンを再現していることが示された。
• 直前の生成データの最後のK日を条件として用いることで、月の境界を超えた時間的連続性が成功裏に維持されており、統計的アーチファクトが発生しないことが確認された。
• 事前学習により、生成された周辺統計（例：気温、降水量）が観測データとより良好に一致することが明らかになった。
• モデルは下流のESMに依存せず、単に学習データの分布を変更することで、異なる気候シナリオを模倣できる。
• 初期の結果から、本モデルは下流の影響評価および極端気象分析のための高分解能気候データの大規模アンサンブル生成に利用可能である可能性がある。