[論文レビュー] Fast and accurate learned multiresolution dynamical downscaling for precipitation

Jiali Wang, Zhengchun Liu+4 more|arXiv (Cornell University)|Jan 18, 2021

Meteorological Phenomena and Simulations被引用数 11

ひとこと要約

本論文は、畳み込みニューラルネットワーク（CNN）を用いて、低分解能気候モデル出力から高分解能降水量データを生成する、学習可能なマルチスケール動的ダウンスケーリング手法を提案する。低分解能（50 km）と高分解能（12 km）のシミュレーションを組み合わせて訓練したCNN—特に条件付き生成対抗ネットワーク（CGAN）—を用いることで、14分間で12 km分解能を達成（従来手法では1か月）し、空間的変動性、時間的極端現象、強降雪イベントを最小限の計算コストで正確に捉えることができる。

ABSTRACT

This study develops a neural network-based approach for emulating high-resolution modeled precipitation data with comparable statistical properties but at greatly reduced computational cost. The key idea is to use combination of low- and high- resolution simulations to train a neural network to map from the former to the latter. Specifically, we define two types of CNNs, one that stacks variables directly and one that encodes each variable before stacking, and we train each CNN type both with a conventional loss function, such as mean square error (MSE), and with a conditional generative adversarial network (CGAN), for a total of four CNN variants. We compare the four new CNN-derived high-resolution precipitation results with precipitation generated from original high resolution simulations, a bilinear interpolater and the state-of-the-art CNN-based super-resolution (SR) technique. Results show that the SR technique produces results similar to those of the bilinear interpolator with smoother spatial and temporal distributions and smaller data variabilities and extremes than the original high resolution simulations. While the new CNNs trained by MSE generate better results over some regions than the interpolator and SR technique do, their predictions are still not as close as the original high resolution simulations. The CNNs trained by CGAN generate more realistic and physically reasonable results, better capturing not only data variability in time and space but also extremes such as intense and long-lasting storms. The new proposed CNN-based downscaling approach can downscale precipitation from 50~km to 12~km in 14~min for 30~years once the network is trained (training takes 4~hours using 1~GPU), while the conventional dynamical downscaling would take 1~month using 600 CPU cores to generate simulations at the resolution of 12~km over contiguous United States.

研究の動機と目的

• 深層学習を用いて、粗い分解能から高分解能への降水量ダウンスケーリングを高速かつ正確かつ物理的に整合性のある方法で実現すること。
• 大規模なアンサンブルや高分解能気候シミュレーションにおいて、従来の動的ダウンスケーリングが計算的に非現実的であるという課題を克服すること。
• 統計的性質、特に強降雪極端現象を保持する点で、既存の超解像法や補間法を改善すること。
• 既存の50 km分解能気候シミュレーションから得られるマルチモデルアンサンブルを用いて、気候予測における不確実性評価を効率的に行えるようにすること。
• 同様の物理方程式に従う異なる地域気候モデルへ、訓練済みモデルを一般化可能かどうかを検討すること。

提案手法

• 本手法は、低分解能（50 km）と高分解能（12 km）のシミュレーションを組み合わせて訓練するハイブリッドトレーニング戦略を採用し、CNNによる降水量ダウンスケーリングを実現する。
• 2種類のCNNアーキテクチャを提案：1つは入力変数を直接スタックするもの、もう1つは各変数を符号化した後にスタックすることで特徴表現を向上させるもの。
• 4種類のCNNバリエーションを訓練：2つは平均二乗誤差（MSE）損失、2つは条件付き生成対抗ネットワーク（CGAN）損失を用い、現実性と分布の忠実度を向上させる。
• CGANベースのモデルは、極端現象や空間的変動性において、高分解能データと区別がつかない分布を生成するように訓練される。
• 訓練後、1つのGPUを用いて4時間のトレーニングフェーズを経て、30年分の50 kmデータを14分で12 km分解能にダウンスケーリングする。
• 時間的依存性は現在のところ無視されており、各タイムステップが独立して処理されている。今後の研究では、時間発展場を扱うための再帰構造の統合を検討する。

実験結果

リサーチクエスチョン

• RQ1 学習されたニューラルネットワークアプローチは、重要な統計的性質を保持しつつ、低分解能気候モデル出力から高分解能降水量を効果的に再現できるか？
• RQ2 MSEとCGANの異なる損失関数は、極端現象を含め、ダウンスケーリングされた降水量の現実性と正確さにどのように影響するか？
• RQ3 CNNベースのダウンスケーリングは、空間的・時間的変動性を捉える点で、従来の補間法や最先端の超解像技術をどの程度上回るか？
• RQ4 訓練済みモデルは、物理方程式が類似するが、1つのモデルでのみ訓練された場合でも、異なる地域気候モデルへ一般化可能か？
• RQ5 従来の動的ダウンスケーリングと比較して、本手法の計算上の利点（時間的・リソース的使用）はどの程度か？

主な発見

• CGANで訓練されたCNNは、重いたい分布や長時間にわたる激しい嵐を含む、高分解能シミュレーションの統計的分布に非常に近い出力を生成する。
• CGANベースのモデルは、バイリニア補間法および最先端の超解像技術を上回り、空間的変動性と極端降水量イベントをよりよく捉えている。
• CGAN損失を用いたエンコーダベースのCNNバージョンが、空間パターンと変動性を最も正確に再現しており、特徴量符号化後の統合による利点が示された。
• ダウンスケーリング時間は、従来の動的ダウンスケーリング（600 CPUコア使用）の1か月から、本手法では1 GPUで14分に短縮され、12 km分解能において1,224倍の高速化が達成された。
• 各タイムステップを独立して処理しているため、正確な時間系列は捉えられないが、全体の時間的変動性と極端現象の大きさは保持されており、気候スケールの分析には十分である。
• 訓練済みモデルは、既存の50 kmマルチモデルアンサンブル（例：NARCCAP、NA-CORDEX）に適用可能であり、将来的な気候予測における不確実性評価のための高分解能データを生成できる。