[論文レビュー] Deep learning for bias-correcting CMIP6-class Earth system models

Philipp Heß, Stefan Lange+2 more|arXiv (Cornell University)|Dec 16, 2022

Climate variability and models被引用数 9

ひとこと要約

本稿では、CMIP6クラスの地球システムモデル（ESM）の降水量出力における局所的周波数バイアスと空間パターンを同時に補正する物理的制約付き生成対抗ネットワーク（cGAN）を提案する。この手法は、最新のバイアス補正手法を上回る空間的間欠性を改善する一方で、長期的傾向を保持し、局所的分布の補正においても分位数マッピングと同等またはそれを上回る性能を示す。

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.

研究の動機と目的

• 現在のバイアス補正手法が降水の空間パターンを考慮しないで局所的周波数分布にのみ対処するという限界を是正すること。
• ESMが再現する降水量に生じる局所的統計バイアスと大規模な空間的間欠性の両方を補正する後処理フレームワークを開発すること。
• 補正済み降水量場における長期的気候傾向を保持し、再解析データに基づいてキャリブレーションされた影響モデルと整合性を保つこと。
• cGANアプローチの性能を、標準的な分位数マッピングおよび多次元バイアス補正手法と比較し、極端な降水量特性の補正能力を評価すること。
• 深層学習を用いた物理的制約付きの高分解能・グローバルに一貫した気候データ後処理の実現可能性を示すこと。

提案手法

• 条件付き生成対抗ネットワーク（cGAN）を訓練し、低分解能でバイアスを含むESM降水量出力を、再解析データ（W5E5）に類似した高分解能の実際の降水量場に変換する。
• cGANは、時間経過に伴う全球的1日平均降水量を保存するように物理的制約を課し、傾向の一貫性を確保する。
• 生成器ネットワークは、ESM出力から観測に類似した降水量場へのマッピングを学習し、識別器は空間的現実性と統計的整合性を保証する。
• 局所的分布の精度をさらに高めるために、2段階パイプラインとしてcGANと分位数マッピング（QM）を組み合わせる。
• スペクトル密度とフラクタル次元の指標を用いて、とくに間欠的極端現象において空間パターンの現実性を定量的に評価する。
• 20年間の歴史的ESMおよび再解析データを用いてモデルを学習し、独立したテスト期間および還元値統計を用いて評価する。

実験結果

リサーチクエスチョン

• RQ1 深層学習に基づく後処理手法は、CMIP6クラスのESM降水量シミュレーションにおいて、局所的周波数バイアスと空間パターンの両方を同時に補正できるか。
• RQ2 cGANベースの手法は、特に極端な気象現象において、標準的な分位数マッピングと比較して降水量の時間的分布をどのように補正するか。
• RQ3 既存のバイアス補正手法と比較して、cGANは空間的間欠性およびフラクタル構造の改善にどの程度寄与するか。
• RQ4 全球降水量総量に対する物理的制約が、空間パターン補正の品質や傾向の保存に影響を与えるか。
• RQ5 cGANとQMを組み合わせたアプローチは、単独で用いる場合よりも、降水量の局所的および空間的特性の両方の補正において優れた性能を示せるか。

主な発見

• スペクトル密度およびフラクタル次元による測定において、cGAN手法は降水極端現象の特徴的な空間的間欠性を、既存のバイアス補正手法を著しく上回る精度で再現した。
• ゴールドスタンダードとされる分位数マッピングと同等またはそれ以上の精度で局所的周波数分布を補正したが、特に95百分位数および10年周期還元値イベントにおいて顕著であった。
• 物理的制約付きcGANは、全球降水量の長期的気候傾向を保持しており、空間パターンの品質に悪影響を及げなかった。
• cGANとISIMIP3BASD分位数マッピングを組み合わせることで、希少な極端現象の性能がさらに向上し、これは分位数推定のための訓練サンプルが増加したためと推察される。
• 高強度降水量イベントの待機時間分布におけるバイアスが低減され、cGAN-ISIMIP3BASDの組み合わせが最も顕著な改善を示した。
• フラクタル次元を指標として用いることで、cGANが極端現象の複雑な構造を捉える能力に優れ、ベースライン手法よりも現実的な空間パターンを生成することが確認された。