[논문 리뷰] Machine learning emulation of a local-scale UK climate model

Henry Addison, Elizabeth Kendon외 3명|arXiv (Cornell University)|2022. 11. 29.

Climate variability and models인용 수 7

한 줄 요약

이 논문은 기후 모델의 저해상도(60km) 데이터에서 고해상도(2.2km) 강수 시뮬레이션을 생성하는 확산 모델 기반 기계학습 에뮬레이터를 소개한다. 이 모델은 계산 비용을 크게 줄이며 실제 강수의 공간적·시간적 구조를 유지한다. 자기 학습된 위치 기반 파rameter를 통합함으로써 기존의 대류 허용 모델과 유사한 주요 통계적 성질을 약 10% 이내의 편차로 재현하며, 최신 기술 수준의 성능을 달성한다.

ABSTRACT

Climate change is causing the intensification of rainfall extremes. Precipitation projections with high spatial resolution are important for society to prepare for these changes, e.g. to model flooding impacts. Physics-based simulations for creating such projections are very computationally expensive. This work demonstrates the effectiveness of diffusion models, a form of deep generative models, for generating much more cheaply realistic high resolution rainfall samples for the UK conditioned on data from a low resolution simulation. We show for the first time a machine learning model that is able to produce realistic samples of high-resolution rainfall based on a physical model that resolves atmospheric convection, a key process behind extreme rainfall. By adding self-learnt, location-specific information to low resolution relative vorticity, quantiles and time-mean of the samples match well their counterparts from the high-resolution simulation.

연구 동기 및 목표

• 지역 기반 기후 영향 평가를 위한 고해상도 강수 예측을 계산적으로 효율적으로 생성하는 방법을 개발하기 위해.
• 지역 기후 시뮬레이션에서 사용되는 물리 기반 대류 허용 모델(CPM)의 높은 계산 비용 문제를 해결하기 위해.
• 공간적 구조와 극단 강수 이벤트의 변동성을 포착하는 확률적 고해상도 강수 샘플링을 가능하게 하여 통계적 보정을 향상시키기 위해.
• 특히 확산 모델과 같은 딥 제너레이티브 모델을 기후 에뮬레이션에 활용하여, GAN과 같은 결정론적 또는 모드 수축 모델의 한계를 극복하기 위해.
• 자기 학습된 위치 기반 특징이 저해상도 입력 변수만을 사용하는 것보다 더 높은 현실성과 정확도를 제공하는지 평가하기 위해.

제안 방법

• 확산 모델(스코어 기반 생성 모델)이 고해상도 강우 필드를 생성하도록 훈련되며, 이는 GCM 또는 저해상도 CPM에서 유도된 850hPa 상대 코리올리 빛의 저해상도(60km) 입력에 조건화된다.
• 노이즈 스케줄링과 스코어 기반 훈련을 사용하는 U-Net 아키텍처를 활용하여 고해상도 강우 샘플에서의 역방향 노이즈 제거 과정을 학습한다.
• 공간 해상도 향상과 편차 감소를 위해 자기 학습된 위치 기반 파rameter로 구성된 8채널 특징 맵을 조건 입력에 추가한다.
• 훈련은 UKCP18 데이터셋을 사용하며, 목표는 저해상도 CPM 출력이고, 조건 입력은 CPM 또는 GCM 데이터에서 유도된다.
• 샘플링은 무작위 노이즈에서 시작하여 스코어 네트워크를 사용해 반복적으로 노이즈를 제거함으로써 수행되며, 조건 입력과 학습된 위치 특징에 의해 안내된다.
• 훈련 프레임워크는 스코어 SDE 코드베이스의 파이토치 기반 변형을 사용하며, 강우 데이터 분포에 최적화된 하이퍼파ram터가 설정되었다.

실험 결과

연구 질문

• RQ1 확산 모델이 저해상도 기후 변수에 조건화된 현실적인 고해상도 강우 필드를 효과적으로 생성할 수 있는가?
• RQ2 자기 학습된 위치 기반 파rameter를 포함함으로써 상대 코리올리 빛만을 사용하는 경우에 비해 생성된 강우 샘플의 통계적 정밀도는 얼마나 향상되는가?
• RQ3 생성된 샘플이 원본 대류 허용 모델(CPM) 시뮬레이션의 균일 분포와 분위수 분포와 얼마나 유사한가?
• RQ4 CPM 출력이 아닌 GCM 입력에 조건화되었을 경우 모델의 성능은 어떻게 되며, 입력 변수의 분포 이탈 문제에는 어떤 제약이 있는가?
• RQ5 모델이 극단 강수 이벤트의 확률적 특성을 반영하는 다양한 현실적인 강우 실현값을 생성할 수 있는가?

주요 결과

• 확산 모델은 시각적으로 현실적이며 극단 강수 이벤트의 공간적 구조를 잘 포착하는 고해상도 강우 샘플을 성공적으로 생성한다.
• 모델의 샘플 분위수는 목표 CPM 분포와 매우 유사하게 일치하며, 모든 백분위 수 범위(10~90%, 91~99%, 99.1~99.9%)에서 규모 기준 약 10% 이내의 편차를 보인다.
• 자기 학습된 위치 기반 파ram터의 포함으로 인해, 이러한 특징이 없는 기준 모델 대비 강우 추정의 평균 정규화 편차가 약 10% 감소한다.
• 검증 세트의 모든 4,320개 타임스탬프에서 일관된 성능을 유지하며, 동일한 저해상도 입력에서 가능한 강우 범위를 모두 커버하는 다양한 샘플을 생성한다.
• GCM 입력에 기반한 훈련 모델도 저해상도 CPM 데이터에 기반한 모델와 유사한 품질의 샘플을 생성하지만, 입력 변수의 분포 이탈로 인해 성능에 제약이 있을 수 있다.
• 모델는 예측 불가능한 극단 조건으로의 외삽 가능성에 강력한 잠재력을 보이며, 이는 공식적으로 테스트되지 않았고 향후 연구 과제로 남아 있다.