[論文レビュー] Machine learning emulation of a local-scale UK climate model

Henry Addison, Elizabeth Kendon+3 more|arXiv (Cornell University)|Nov 29, 2022

Climate variability and models被引用数 7

ひとこと要約

本論文は、低分解能（60km）の気候モデルデータから高分解能（2.2km）の降雨シミュレーションを生成する、拡散モデルに基づく機械学習エミュレータを提案する。計算コストを著しく削減しながらも、現実的な空間的・時間的降雨構造を保持している。自己学習された位置特化パラメータを組み込むことで、状態下での性能を達成し、元の対流許容モデルの主な統計的特性と約10%のバイアスで一致する。

ABSTRACT

Climate change is causing the intensification of rainfall extremes. Precipitation projections with high spatial resolution are important for society to prepare for these changes, e.g. to model flooding impacts. Physics-based simulations for creating such projections are very computationally expensive. This work demonstrates the effectiveness of diffusion models, a form of deep generative models, for generating much more cheaply realistic high resolution rainfall samples for the UK conditioned on data from a low resolution simulation. We show for the first time a machine learning model that is able to produce realistic samples of high-resolution rainfall based on a physical model that resolves atmospheric convection, a key process behind extreme rainfall. By adding self-learnt, location-specific information to low resolution relative vorticity, quantiles and time-mean of the samples match well their counterparts from the high-resolution simulation.

研究の動機と目的

• 局所スケールの気候影響評価のための高分解能降雨予測を計算的に効率的につくる手法の開発。
• 地域気候シミュレーションで用いられる物理ベースの対流許容モデル（CPM）の高い計算コストに対処すること。
• 空間的構造と極端なイベントの変動性を捉える確率的で高分解能の降雨サンプリングを可能にする統計的ダウンスケーリングの改善。
• 特に拡散モデルを含む深層生成モデルを気候エミュレーションに用いることの検討。GANのような決定論的またはモード崩壊を起こすモデルの限界を克服する。
• 自己学習された位置特化特徴が、粗い入力変数のみに依存する場合と比較して、ダウンスケーリングの現実性と正確性を向上させるかどうかの評価。

提案手法

• 拡散モデル（スコアベース生成モデル）を、GCMまたは粗化されたCPMからの60km相対渦度（850hPa）を条件変数として、高分解能2.2km降雨場を生成するように学習する。
• U-Netアーキテクチャを用い、ノイズスケジューリングとスコアベースの学習により、高分解能降雨サンプルからの逆方向のノイズ除去プロセスを学習する。
• 空間的忠実性の向上とバイアスの低減を目的として、自己学習された位置特化パラメータの8チャネル特徴マップを条件入力に追加する。
• 訓練はUKCP18データセットを用い、粗化されたCPM出力をターゲットとし、CPMまたはGCMデータからの入力を条件として用いる。
• サンプリングは、ランダムノイズから開始し、スコアネットワークを用いて条件入力と学習済み位置特徴に従って段階的にノイズを除去することで実行する。
• 訓練フレームワークは、スコアSDEコードベースのPyTorchベースの変換を用い、降雨データ分布に最適化されたハイパーパrameterを調整して実装している。

実験結果

リサーチクエスチョン

• RQ1 拡散モデルは、低分解能気候変数を条件として、現実的で高分解能の降雨場を効果的に生成できるか？
• RQ2 自己学習された位置特化パラメータを組み込むことで、相対渦度のみを用いた場合と比較して、生成された降雨サンプルの統計的忠実性はどの程度向上するか？
• RQ3 生成されたサンプルは、元の対流許容モデル（CPM）シミュレーションの周辺分布および分位数分布とどの程度一致するか？
• RQ4 CPMの粗化出力ではなくGCM入力で条件づけた場合、モデルの性能はどのようになるか。また、入力変数の分布シフトに起因する制限は何か？
• RQ5 モデルは、極端な降水量イベントの確率的性質を反映した多様で現実的な降雨実現を生成できるか？

主な発見

• 拡散モデルは、視覚的に現実的で、極端な降雨イベントの空間的構造を捉えた高分解能降雨サンプルを効果的に生成した。
• モデルのサンプル分位数は、ターゲットCPM分布と極めてよく一致しており、全センタイル範囲（10th–90th、91st–99th、99.1th–99.9th）においてスケールのずれが約10%にとどまる。
• 自己学習された位置特化パラメータの導入により、このような特徴なしのベースラインモデルと比較して、降雨推定の平均正規化バイアスが約10%低減された。
• バリデーションセットの全4,320タイムステップにおいて、一貫した性能を維持し、同じ粗い入力条件下で多様なサンプルを生成した。
• GCM入力で訓練したモデルは、粗化CPMデータで訓練したモデルと同等の品質のサンプルを生成したが、入力変数の分布シフトに起因する制限が存在した。
• モデルは、未観測の極端な状態への外挿可能性を示しているが、これは形式的なテストがなされておらず、今後の研究の方向性である。