[논문 리뷰] Deep learning for bias-correcting CMIP6-class Earth system models

Philipp Heß, Stefan Lange외 2명|arXiv (Cornell University)|2022. 12. 16.

Climate variability and models인용 수 9

한 줄 요약

이 논문은 CMIP6급 기후 시스템 모델(CMIP6-class Earth system model, ESM) 강수 출력물에서 국지적 주파수 편향과 공간 패턴을 동시에 수정하기 위해 물리적 제약 조건을 부여한 생성적 적대적 네트워크(cGAN)를 제안한다. 이 방법은 상태의 최신 기술보다 우수한 국지적 강수 극단치의 공간적 간헐성( intermittency)을 향상시키지만, 장기적 추세를 유지하면서도 분位수 매핑과 동등하거나 이를 초월하는 국지 분포 보정을 수행한다.

ABSTRACT

The accurate representation of precipitation in Earth system models (ESMs) is crucial for reliable projections of the ecological and socioeconomic impacts in response to anthropogenic global warming. The complex cross-scale interactions of processes that produce precipitation are challenging to model, however, inducing potentially strong biases in ESM fields, especially regarding extremes. State-of-the-art bias correction methods only address errors in the simulated frequency distributions locally at every individual grid cell. Improving unrealistic spatial patterns of the ESM output, which would require spatial context, has not been possible so far. Here, we show that a post-processing method based on physically constrained generative adversarial networks (cGANs) can correct biases of a state-of-the-art, CMIP6-class ESM both in local frequency distributions and in the spatial patterns at once. While our method improves local frequency distributions equally well as gold-standard bias-adjustment frameworks, it strongly outperforms any existing methods in the correction of spatial patterns, especially in terms of the characteristic spatial intermittency of precipitation extremes.

연구 동기 및 목표

• 현재의 편향 보정 방법이 국지적 주파수 분포만 보정하고 강수의 공간 패턴을 고려하지 않는 한계를 해결하기 위해.
• ESM 시뮬레이션 강수에서 국지적 통계적 편향과 대규모 공간 간헐성 양측을 보정하는 후처리 프레임워크를 개발하기 위해.
• 수정된 강수 필드에서 장기 기후 추세를 유지하여 재분석 데이터 기반 영향 모델과의 호환성을 확보하기 위해.
• cGAN 접근법이 극단 강수 특성 보정에서 표준 분위수 매핑 및 多변량 편향 보정 기법과 비교하여 성능을 평가하기 위해.
• 딥 러닝에 물리적 제약 조건을 적용하여 고해상도이고 글로벌 일관성을 갖는 기후 데이터 후처리의 가능성을 입증하기 위해.

제안 방법

• 조건부 생성적 적대적 네트워크(cGAN)를 학습시켜 저해상도의 편향이 있는 ESM 강수 필드를 재분석 데이터(W5E5)와 유사한 고해상도 필드로 변환한다.
• cGAN는 전 세계 일일 총 강수량을 유지하도록 물리적 제약 조건을 적용하여 시간에 따른 추세 일致성을 확보한다.
• 이 방법은 생성자 네트워크를 통해 ESM 출력에서 관측과 유사한 강수 필드로의 매핑을 학습하고, 판별자 네트워크를 통해 공간적 현실성과 통계적 정밀도를 확보한다.
• 국지 분포 정확도를 추가로 향상시키기 위해, 두 단계 파이프라인에서 cGAN과 분위수 매핑(QM)을 결합한다.
• 스펙트럼 밀도와 프랙탈 차원 지표를 사용하여 간헐적인 극단 사건에 대해 공간 패턴의 현실성을 정량적으로 평가한다.
• 모델은 20년간의 역사적 ESM 및 재분석 데이터를 기반으로 학습하고, 독립된 테스트 기간과 복귀 값 통계를 통해 평가한다.

실험 결과

연구 질문

• RQ1 딥 러닝 기반 후처리 방법이 CMIP6급 ESM 강수 시뮬레이션에서 국지적 주파수 편향과 공간 패턴을 동시에 보정할 수 있는가?
• RQ2 cGAN 기반 방법은 극단 사건에 특히 초점을 맞춰 시간 분포 보정에서 표준 분위수 매핑보다 어떻게 비교되는가?
• RQ3 기존의 편향 보정 기법과 비교해 cGAN이 공간 간헐성과 프랙탈 구조를 어느 정도 향상시키는가?
• RQ4 전 세계 강수량 총량에 대한 물리적 제약 조건이 공간 패턴 보정 품질이나 추세 유지에 영향을 미치는가?
• RQ5 cGAN와 QM의 조합이 국지적 특성과 공간적 특성 양쪽을 동시에 보정하는 데에 각각의 방법보다 더 뛰어난 성능을 보일 수 있는가?

주요 결과

• cGAN 방법은 스펙트럼 밀도와 프랙탈 차원으로 측정된 바에 비추어, 극단 강수의 특징적인 공간 간헐성을 기존의 편향 보정 기법보다 뚜렷이 우수하게 재현한다.
• cGAN는 특히 95번째 백분율 및 10년 복귀 값 사건에서 금-standard로 여겨지는 분위수 매핑과 동등하거나 더 나은 국지 주파수 분포 보정 성능를 달성한다.
• 물리적 제약 조건이 부여된 cGAN는 전 세계 강수량의 장기 기후 추세를 유지하며, 공간 패턴 품질에 대한 악영향 없이도 성능을 유지한다.
• cGAN와 ISIMIP3BASD 분위수 매핑의 조합은 희귀 극단 사건에서 성능을 더욱 향상시키며, 이는 분위수 추정을 위한 더 큰 학습 샘플 덕분으로 보인다.
• 고강도 강수 사건의 대기 간격 분포에서의 편향을 감소시키며, cGAN-ISIMIP3BASD 조합이 가장 뚜렷한 향상을 보였다.
• 프랙탈 차원을 지표로 사용함으로써, cGAN가 극단 사건의 복잡한 구조를 포착하는 데서 기준 방법보다 더 현실적인 공간 패턴을 생성한다는 것이 확인되었다.