[논문 리뷰] Toward generative machine learning for boosting ensembles of climate simulations

Parsa Gooya, Reinel Sospedra‐Alfonso외 1명|arXiv (Cornell University)|2026. 02. 06.

Model Reduction and Neural Networks인용 수 0

한 줄 요약

이 논문은 단일 CanESM5 멤버에서 학습된 조건부 변분 자동인코더(cVAE)가 임의로 크고 물리적으로 타당한 TAS 모음을 생성하고, 다중 스케일 변동성과 극값을 포착하기 위해 디코더 노이즈가 강화된다는 것을 보여준다.

ABSTRACT

Accurately quantifying uncertainty in predictions and projections arising from irreducible internal climate variability is critical for informed decision making. Such uncertainty is typically assessed using ensembles produced with physics based climate models. However, computational constraints impose a trade off between generating the large ensembles required for robust uncertainty estimation and increasing model resolution to better capture fine scale dynamics. Generative machine learning offers a promising pathway to alleviate these constraints. We develop a conditional Variational Autoencoder (cVAE) trained on a limited sample of climate simulations to generate arbitrary large ensembles. The approach is applied to output from monthly CMIP6 historical and future scenario experiments produced with the Canadian Centre for Climate Modelling and Analysis' (CCCma's) Earth system model CanESM5. We show that the cVAE model learns the underlying distribution of the data and generates physically consistent samples that reproduce realistic low and high moment statistics, including extremes. Compared with more sophisticated generative architectures, cVAEs offer a mathematically transparent, interpretable, and computationally efficient framework. Their simplicity lead to some limitations, such as overly smooth outputs, spectral bias, and underdispersion, that we discuss along with strategies to mitigate them. Specifically, we show that incorporating output noise improves the representation of climate relevant multiscale variability, and we propose a simple method to achieve this. Finally, we show that cVAE-enhanced ensembles capture realistic global teleconnection patterns, even under climate conditions absent from the training data.

연구 동기 및 목표

• 계산 제약 하에서 대규모 모음을 사용하여 내부 기후 변동성과 불확실성을 정량화할 필요성을 동기 부여한다.
• 제한된 학습 데이터로부터 대규모 모음을 생성하기 위한 간단하고 해석 가능한 생성 모델(cVAE)을 제안한다.
• cVAE로 생성된 샘플이 극값을 포함한 저차 및 고차 통계량과 지역/전역 패턴을 재현한다는 것을 보여준다.
• 다중 스케일 변동성을 포착하고 과소분산을 방지하는 데 있어 디코더 노이즈의 포함 효과를 조사한다.

제안 방법

• 저차원 기후 상태 임베딩에 조건화된 월간 지표 근위 대기온도(TAS)의 조건부 분포를 학습하기 위해 조건부 변분 자동인코더(cVAE)를 사용한다.
• 단일 CanESM5 앙상블 멤버(1951-2020)에서 cVAE를 학습하고 2021-2025 데이터를 검증하며 데이터 포인트는 840개이다.
• MLP 인코더로 입력을 잠재공간 z로 인코딩하고 2차원 조건 벡터 c에 조건화된 MLP 디코더로 디코딩한다.
• 단순 가우시안 사전 p(z|c)=N(0,I)를 채택하고 재매개화 트릭과 확률적 경사 변분 베이즈 손실을 사용한다.
• 추론 시 학습된 prior 공분산 Sigma_z^train에서 z를 샘플링하고 고정된 또는 학습된 디코더 노이즈를 가진 디코더를 사용해 TAS 필드를 생성한다.
• 연간 TAS 평균에 평균 바이어스를 보정하고 통계 및 극값의 현실성을 위해 CanESM5 집단과 비교 평가한다.

실험 결과

연구 질문

• RQ1 제한된 기후 데이터로 학습된 단순한 cVAE가 현실적인 분포와 극값을 포착하는 대규모 모음을 생성할 수 있는가?
• RQ2 디코더 노이즈를 포함하는 것이 다중 스케일 변동성의 표현을 개선하고 생성된 모음의 과소분산을 줄이는가?
• RQ3 cVAE로 생성된 모음이 전체 모델 집단에서 관찰되는 전역 원격연결 및 지역 통계치를 재현하는가?
• RQ4 클라이밋 앙상블 생성을 위한 일반적인 cVAE 사용의 트레이드오프와 한계는 무엇인가(예: 스펙트럴 바이어스, 부드러운 출력)?

주요 결과

• cVAE는 데이터 분포를 학습하고 극값을 포함한 저차 및 고차 통계를 재현하는 물리적으로 일관된 TAS 샘플을 생성한다.
• 출력(디코더) 노이즈를 포함하면 다중 스케일 기후 변동성과 공간 변동성을 더 잘 표현하게 되며, 특히 겨울 패턴에서 그렇다.
• 확대된 모음은 교육 데이터에 없던 조건에서도 현실적인 글로벌 원격연결 패턴과 ENSO 변동성을 포착한다.
• 전체 CanESM5 앙상블과 비교해 VAE+DN 접근법은 큰 TAS 이상값과 지역 분포 꼬리대를 재현하지만 특정 지역에서 왜도와 첨도(S/kurtosis)의 다소 과소추정이 있다.
• 이 방법은 단일 학습 실현으로 GPU에서 수분 내에 상당히 큰 모음을 생성하여 계산적으로 효율적인 불확실성 정량화 경로를 제공한다.
• 한계로는 출력이 지나치게 매끄럽고, 스펙트럴 바이어스 및 과소분산이 있으며, 이는 노이즈 모델링 개선이나 더 표현력이 강한 구조로 완화될 수 있다.