Skip to main content
Nubint
QUICK REVIEW

[論文レビュー] Zero-Shot Statistical Downscaling via Diffusion Posterior Sampling

Ruian Tie, Wenbo Xiong|arXiv (Cornell University)|Jan 29, 2026
Climate variability and models被引用数 0
ひとこと要約

ZSSD は物理法則に整合した拡散事前分布と統一座標案内を用いて、粗い GCM 出力から高解像度場へのゼロショット統計的ダウンサンプリングを実行し、ゼロショットのベースラインを上回り、対になったタスクで監視学習法に匹敵し、非対で卓越する。熱帯低気圧のような複雑なイベントを異質な GCM 上で再構成する。

ABSTRACT

Conventional supervised climate downscaling struggles to generalize to Global Climate Models (GCMs) due to the lack of paired training data and inherent domain gaps relative to reanalysis. Meanwhile, current zero-shot methods suffer from physical inconsistencies and vanishing gradient issues under large scaling factors. We propose Zero-Shot Statistical Downscaling (ZSSD), a zero-shot framework that performs statistical downscaling without paired data during training. ZSSD leverages a Physics-Consistent Climate Prior learned from reanalysis data, conditioned on geophysical boundaries and temporal information to enforce physical validity. Furthermore, to enable robust inference across varying GCMs, we introduce Unified Coordinate Guidance. This strategy addresses the vanishing gradient problem in vanilla DPS and ensures consistency with large-scale fields. Results show that ZSSD significantly outperforms existing zero-shot baselines in 99th percentile errors and successfully reconstructs complex weather events, such as tropical cyclones, across heterogeneous GCMs.

研究の動機と目的

  • 気候ダウンサンプリングにおける対データ不足を解消し、粗い GCM 出力から高解像度再構成をゼロショットで実現する。
  • 静的境界と時間埋め込み条件付きの物理整合拡散事前分布を導入し、物理的妥当性を担保する。
  • 大規模スケーリング因子下での勾配消失とドメインギャップを緩和する Unified Coordinate Guidance を開発する。
  • 対データベースタスクでの最先端の 99 パーセンタイル誤差性能を実証し、対データベースタスクでも競争力を示す。
  • 異質な GCM にまたがる細かな特徴と極端イベント（例：熱帯低気圧）の回復における頑健性を示す。

提案手法

  • 2 段階フレームワーク：(i) static および cyclic 条件付けを用いて ERA5 データ上で条件付き拡散事前分布を訓練する；(ii) 推論時に統一座標案内を用いて事後サンプリングを行う。
  • 物理的整合性 Climate Prior は static boundaries（DEM, LSM）と cyclic 時間埋め込みを cross-attention を介して DDPM 設定内で条件付けする。
  • フォワード過程：X0 から Xt への拡散；逆過程 pθ(Xt-1|Xt,C) は learned mean μθ(Xt,t,C) を持つガウス分布としてモデル化。
  • 目的は前向き過程で加えられたノイズを εθ が予測することで変分下界を最大化すること。
  • Unified Coordinate Guidance は Yraw を統一的な粗スケール（5°）へダウンサンプリングし、再度高解像度グリッド（0.25°）へ再投影し、緯度重み付き勾配を用いて生成された X̂0 を Y と整合させる。
  • Algorithm 1 は 粗入力との整合性を確保する勾配ベースのガイダンスを用いたサンプリングループを詳述している。
Figure 1 : Schematic comparison of different downscaling paradigms. (Top) Supervised models learn a deterministic mapping $f_{\theta}$ from coarse ( $\text{X}^{\prime}$ ) to high-resolution ( X ) ERA5 data. (Middle) Vanilla DPS utilizes an unconditional diffusion prior $p_{\theta}(\text{X})$ with st
Figure 1 : Schematic comparison of different downscaling paradigms. (Top) Supervised models learn a deterministic mapping $f_{\theta}$ from coarse ( $\text{X}^{\prime}$ ) to high-resolution ( X ) ERA5 data. (Middle) Vanilla DPS utilizes an unconditional diffusion prior $p_{\theta}(\text{X})$ with st

実験結果

リサーチクエスチョン

  • RQ1対データを持たないゼロショットのダウンサンプリングは、物理情報を組み込んだ拡散事前分布を活用することで実現可能か。
  • RQ2Unified Coordinate Guidance は大きなスケーリング因子（例：20×） のとき勾配消失やドメインギャップを緩和するか。
  • RQ3ZSSD は多様な GCM に対してどれだけ一般化し、高解像度構造と極端イベントを再現できるか。
  • RQ4物理的境界条件付けとグリッド整合性はダウンサンプリング場の物理的妥当性と忠実度にどの程度影響するか。

主な発見

Method1.5° (×6) MAE/RMSE2.5° (×10) MAE/RMSE5.0° (×20) MAE/RMSEIPSL MAE/RMSEMIROC6 MAE/RMSEAWI MAE/RMSEMPI-LR MAE/RMSEMPI-HR MAE/RMSE
Bilinear0.41 / 0.760.72 / 1.151.40 / 1.901.06 / 1.781.84 / 2.431.50 / 2.191.48 / 2.131.32 / 1.90
BCSD0.40 / 0.750.70 / 1.131.35 / 1.830.98 / 1.671.72 / 2.331.36 / 2.071.35 / 1.981.24 / 1.76
DDRM0.15 / 0.200.27 / 0.430.51 / 0.781.04 / 1.691.84 / 2.451.53 / 2.201.43 / 2.101.33 / 2.02
DPS0.15 / 0.210.23 / 0.383.31 / 4.771.03 / 1.671.84 / 2.401.48 / 2.131.40 / 2.081.32 / 1.89
ZSSD (Ours)0.09 / 0.160.15 / 0.290.28 / 0.530.87 / 1.321.08 / 1.421.28 / 1.891.24 / 1.811.05 / 1.49
  • ZSSD は対データの合成ダウンサンプリング課題で最も低い誤差を達成し、特に最も大きなスケール（20×）で優位。
  • 非対データの実機 GCM ベンチマークでは、ZSSD は five CMIP6 models 全体で最先端の結果を達成し、BCSD、DDRM、そして Vanilla DPS を上回る。
  • 地形と時間情報で拡散事前分布を条件付けると、物理的に妥当な構造となり、海岸線や山岳付近のアーティファクトを低減。
  • Unified Coordinate Guidance (A_high) は勾配消失を緩和し大スケールの一貫性を保持し、高解像度での堅牢な回復を可能にする。
  • スペクトル解析により ZSSD は高周波成分を回復し、渦状構造の一貫性を ERA5 参照と整合させて回復。
  • アブレーション研究は境界条件付けの必要性と高解像度ガイダンスの有効性を確認し、バイアスの低減と収束改善を示す。
Figure 2 : Overview of the ZSSD framework. The method consists of two stages. Left (Stage 1): We train a diffusion prior on ERA5 data conditioned on static terrain (DEM, LSM) and cyclic time embeddings (month, day, hour). Right (Stage 2): During inference (Reverse Stochastic Differential Equation, R
Figure 2 : Overview of the ZSSD framework. The method consists of two stages. Left (Stage 1): We train a diffusion prior on ERA5 data conditioned on static terrain (DEM, LSM) and cyclic time embeddings (month, day, hour). Right (Stage 2): During inference (Reverse Stochastic Differential Equation, R

より良い研究を、今すぐ始めましょう

論文設計から論文執筆まで、研究時間を劇的に削減しましょう。

クレジットカード登録不要

このレビューはAIが作成し、人間の編集者が確認しました。