[논문 리뷰] Zero-Shot Statistical Downscaling via Diffusion Posterior Sampling

Ruian Tie, Wenbo Xiong외 5명|arXiv (Cornell University)|2026. 01. 29.

Climate variability and models인용 수 0

한 줄 요약

ZSSD는 물리적으로 일관된 확산 사전과 통일 좌표 안내를 도입하여 대규모 GCM 출력에서 고해상도 필드로의 제로샷 통계적 다운샷을 수행하며, 제로샷 기준선보다 우수하고 페어링된 작업에서 감독 학습 방법과 대등하게 성능을 발휘하며 비연결 작업에서 뛰어나다. 서로 다른 GCM들에 걸쳐 열대 사이클과 같은 복합적 사건을 재구성한다.

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.

연구 동기 및 목표

• 클라우메이트 다운샷에서 페어링된 데이터의 부족을 해결하고 거친 GCM 출력으로부터 고해상도 재구성을 제로샷으로 가능하게 한다.
• 정적 경계와 시간 임베딩에 조건부화된 물리적으로 일관된 확산 사전을 도입하여 물리적 타당성을 강제한다.
• 큰 스케일 팩터하에서 기울기 소실과 도메인 격차를 완화하기 위해 Unified Coordinate Guidance를 개발한다.
• 비교 가능한 페어링 작업에서의 성능과 비연결 벤치마크에서의 최첨단 99번째 백분위수 오차 성능을 시연한다.
• 이질적 GCM들에 걸친 미세한 특징과 극단적 사건(예: 열대 사이클)을 복원하는 데서의 강건성을 보여준다.

제안 방법

• 두 단계 프레임워크: (i) 정적 및 순환 조건부를 가진 ERA5 데이터에서 조건부 확산 사전을 학습; (ii) 추론 시 Unified Coordinate Guidance를 사용해 후사 샘플링을 수행한다.
• 물리적으로 일관된 기후 사전은 정적 경계(DEM, LSM)와 DDPM 설정 내 크로스-어텐션을 통한 순환 시간 임베딩에 조건을 둔다.
• 전방 과정: X0를 Xt으로 확산시키고 역방향 과정 pθ(Xt-1|Xt,C)를 학습된 평균 μθ(Xt,t,C)로 모델링하는 가우시안 형태로 구성한다.
• 목표는 전방 과정에서 추가된 노이즈를 예측하도록 εθ를 학습시켜 변분 하한을 최대화하는 것이다.
• Unified Coordinate Guidance는 Yraw를 통일된 거친 스케일(5°)로 다운샘플링하고 다시 고해상도 격자(0.25°)로 재투영하며 위도 가중치를 이용한 그래디언트를 사용해 생성된 X̂0를 Y와 정렬한다.
• 알고리즘 1은 거친 입력과의 일관성을 보장하기 위한 그래디언트 기반 가이던스로 샘플링 루프를 상세히 기술한다.

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

실험 결과

연구 질문

• RQ1 물리 정보를 갖춘 확산 사전을 활용하여 페어링 학습 데이터 없이 제로샷 다운샷이 가능할까?
• RQ2 대규모 스케일(예: 20×)에서 그래디언트 소실 문제와 도메인 간 격차를 Unified Coordinate Guidance가 완화하는가?
• RQ3 다양한 GCM들에 걸쳐 ZSSD가 얼마나 잘 일반화되고 고해상도 구조 및 극단적 사건을 재현하는가?
• RQ4 물리적 경계 조건화와 격자 정렬이 다운샷 필드의 물리적 타당성과 충실도에 얼마나 영향을 미치는가?

주요 결과

방법	1.5° (×6) MAE/RMSE	2.5° (×10) MAE/RMSE	5.0° (×20) MAE/RMSE	IPSL MAE/RMSE	MIROC6 MAE/RMSE	AWI MAE/RMSE	MPI-LR MAE/RMSE	MPI-HR MAE/RMSE
Bilinear	0.41 / 0.76	0.72 / 1.15	1.40 / 1.90	1.06 / 1.78	1.84 / 2.43	1.50 / 2.19	1.48 / 2.13	1.32 / 1.90
BCSD	0.40 / 0.75	0.70 / 1.13	1.35 / 1.83	0.98 / 1.67	1.72 / 2.33	1.36 / 2.07	1.35 / 1.98	1.24 / 1.76
DDRM	0.15 / 0.20	0.27 / 0.43	0.51 / 0.78	1.04 / 1.69	1.84 / 2.45	1.53 / 2.20	1.43 / 2.10	1.33 / 2.02
DPS	0.15 / 0.21	0.23 / 0.38	3.31 / 4.77	1.03 / 1.67	1.84 / 2.40	1.48 / 2.13	1.40 / 2.08	1.32 / 1.89
ZSSD (Ours)	0.09 / 0.16	0.15 / 0.29	0.28 / 0.53	0.87 / 1.32	1.08 / 1.42	1.28 / 1.89	1.24 / 1.81	1.05 / 1.49

• ZSSD는 가장 큰 규모(20×)에서 페어링된 합성 다운샷 작업의 오차를 최저로 달성한다.
• 비연결 실제 GCM 벤치마크에서 ZSSD는 다섯 개의 CMIP6 모델 전반에서 최첨단 결과를 달성하며 BCSD, DDRM 및 일반 DPS를 능가한다.
• 지형과 시간 정보를 확산 사전에 조건화하면 물리적으로 타당한 구조가 형성되고 해안선과 산악 지역 부근의 인위적 아티팩트를 줄인다.
• Unified Coordinate Guidance(A_high)는 소실되는 그래디언트를 완화하고 대규모 일관성을 보존하여 고해상도에서의 강건한 재현을 가능하게 한다.
• 스펙트럼 분석은 ZSSD가 고주파 파워를 회복하고 ERA5 기준 참조와 일치하는 응집된 와류 구조를 재구성함을 보여준다.
• 소거 연구는 경계 조건의 필요성과 고해상도 가이드의 효과가 바이어스를 줄이고 수렴을 향상시키는 것을 확인한다.

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