[論文レビュー] Loosely Conditioned Emulation of Global Climate Models With Generative Adversarial Networks

Alexis Ayala, Christopher Drazic+3 more|arXiv (Cornell University)|Apr 29, 2021

Climate variability and models参考文献 46被引用数 5

ひとこと要約

本論文では、3次元畳み込みと段階的レイヤー融合を用いたプログレッシブでブロック単位の訓練手法を採用し、グローバル気候モデルの日常降水量出力を模倣する、緩やかに条件づけられた生成的対抗ネットワーク（GAN）を提案する。このGANは、数秒で高精細で統計的に現実的な時空間的降水量系列を生成し、極端な出来事象（例：干ばつや乾燥日）の統計において、気候モデル出力と強く類似していることを示している。

ABSTRACT

Climate models encapsulate our best understanding of the Earth system, allowing research to be conducted on its future under alternative assumptions of how human-driven climate forces are going to evolve. An important application of climate models is to provide metrics of mean and extreme climate changes, particularly under these alternative future scenarios, as these quantities drive the impacts of climate on society and natural systems. Because of the need to explore a wide range of alternative scenarios and other sources of uncertainties in a computationally efficient manner, climate models can only take us so far, as they require significant computational resources, especially when attempting to characterize extreme events, which are rare and thus demand long and numerous simulations in order to accurately represent their changing statistics. Here we use deep learning in a proof of concept that lays the foundation for emulating global climate model output for different scenarios. We train two "loosely conditioned" Generative Adversarial Networks (GANs) that emulate daily precipitation output from a fully coupled Earth system model: one GAN modeling Fall-Winter behavior and the other Spring-Summer. Our GANs are trained to produce spatiotemporal samples: 32 days of precipitation over a 64x128 regular grid discretizing the globe. We evaluate the generator with a set of related performance metrics based upon KL divergence, and find the generated samples to be nearly as well matched to the test data as the validation data is to test. We also find the generated samples to accurately estimate the mean number of dry days and mean longest dry spell in the 32 day samples. Our trained GANs can rapidly generate numerous realizations at a vastly reduced computational expense, compared to large ensembles of climate models, which greatly aids in estimating the statistics of extreme events.

研究の動機と目的

• 長期的なシミュレーションや極端な出来事象の分析にかかる、完全なグローバル気候モデルの高い計算コストを低減すること。
• 非定常性や極端な出来事象を含む、日常降水量の複雑な時空間的パターンを捉えるデータ駆動型エミュレータを開発すること。
• 従来のエミュレータ（例：パターンスケーリング）や確率的天候生成器の制限を超えて、深層学習を活用し、グローバルかつ高分解能の出力を得ること。
• GANベースの手法が、最先端の地球システムモデルと統計的に区別できない降水量系列を生成できることを示すこと。
• 統合評価モデルや気候影響研究におけるスケーラブルで高速かつ正確なシナリオ生成の基盤を確立すること。

提案手法

• BigGANアーキテクチャを基盤とする3次元畳み込みGANを訓練し、20層を5つのブロックに分け、空間的解像度を4×8から64×128へ段階的に向上させる。
• 各ブロックを個別に訓練し、12,800ステップにわたり徐々に融合するフェーディングインプロセスを用いたプログレッシブ訓練戦略を採用する。
• 3次元畳み込みを用いて、時間的（日単位）および空間的（グリッド）次元を同時にモデル化し、最初のブロックから完全な時間分解能（T=32日）を保持する。
• 生成器とは鏡像的なアーキテクチャを持つクリティックネットワークを採用し、Leaky ReLUを用い、バッチ正規化を適用しない。生成器の更新ごとに3回更新する。
• ブロック追加時に重みのフェーディングを実装し、ランダムに初期化された重みによる乱れを防ぎ、訓練の安定性を向上させる。
• AdamWを最適化手法とし、学習率8e-5、勾配ペナルティ20.0（最後のブロックでは40.0）、検証データにおける時空間的KLダイバージェンスに基づく早期停止を適用する。

実験結果

リサーチクエスチョン

• RQ1 GANベースのエミュレータは、高精度な地球システムモデルの出力と統計的に区別できないグローバルな日常降水量系列を生成できるか？
• RQ2 ドライデイ数や最長干ばつ期間といった極端な出来事象の統計を、多様な気候地域でどれほど正確に捉えられるか？
• RQ3 フェーディングインを用いたプログレッシブ訓練は、エンドツーエンド訓練と比較して、サンプル品質と訓練安定性を向上させるか？
• RQ4 特に赤道太平洋のような挑戦的な地域において、モデルは空間的パターンと時間的ダイナミクスをどれほど正確に保持できるか？
• RQ5 気候影響モデリングやシナリオ分析において、忠実度を維持したまま、計算コストを著しく削減できるか？

主な発見

• GANは、気候モデル出力と統計的に区別できない降水量系列を生成し、乾燥日および最長干ばつ期間の経験的累積分布関数（eCDF）に最小限の乖離を示した。
• デンバーおよびロンドンの両地点で、生成データのeCDFはテストおよび検証データとよく一致しており、乾燥日および干ばつ期間のわずかな過剰推定（4096サンプルで数日以内）を除いては、ほとんど差がなかった。
• モデルは地域的パターンを適切に捉えており、南米西海岸の赤道太平洋におけるシミュレーションの困難さが、生成データおよびテストデータの両方で継続的に見られるという特徴も再現した。
• フェーディングインを用いたプログレッシブ訓練は、DeepClimGANのような先行手法と比較して、訓練安定性とサンプル品質の両面で顕著な向上を示した。
• 生成器は、ラップトップ上で数秒で64×128グリッドの32日分の高精細な時系列を生成でき、完全な気候モデルシミュレーションと比較して約1000倍の高速化を達成した。
• 4日分の降水量系列の視覚的比較では、全季節にわたり、生成データとテストデータの間で強い定性的類似性が確認され、現実的な空間的・時間的ダイナミクスが再現されていた。