[论文解读] Loosely Conditioned Emulation of Global Climate Models With Generative Adversarial Networks

Alexis Ayala, Christopher Drazic+3 more|arXiv (Cornell University)|Apr 29, 2021

Climate variability and models参考文献 46被引用 5

一句话总结

本文提出一种松散条件化的生成对抗网络（GAN），用于模拟全球气候模型的日降水量输出，采用具有3D卷积和逐层渐进融合的分块训练方法。该 GAN 能在数秒内生成高保真、统计上真实的时空降水量序列——与气候模型输出高度相似，尤其在干旱事件统计（如干旱期和干日）方面表现优异。

ABSTRACT

Climate models encapsulate our best understanding of the Earth system, allowing research to be conducted on its future under alternative assumptions of how human-driven climate forces are going to evolve. An important application of climate models is to provide metrics of mean and extreme climate changes, particularly under these alternative future scenarios, as these quantities drive the impacts of climate on society and natural systems. Because of the need to explore a wide range of alternative scenarios and other sources of uncertainties in a computationally efficient manner, climate models can only take us so far, as they require significant computational resources, especially when attempting to characterize extreme events, which are rare and thus demand long and numerous simulations in order to accurately represent their changing statistics. Here we use deep learning in a proof of concept that lays the foundation for emulating global climate model output for different scenarios. We train two "loosely conditioned" Generative Adversarial Networks (GANs) that emulate daily precipitation output from a fully coupled Earth system model: one GAN modeling Fall-Winter behavior and the other Spring-Summer. Our GANs are trained to produce spatiotemporal samples: 32 days of precipitation over a 64x128 regular grid discretizing the globe. We evaluate the generator with a set of related performance metrics based upon KL divergence, and find the generated samples to be nearly as well matched to the test data as the validation data is to test. We also find the generated samples to accurately estimate the mean number of dry days and mean longest dry spell in the 32 day samples. Our trained GANs can rapidly generate numerous realizations at a vastly reduced computational expense, compared to large ensembles of climate models, which greatly aids in estimating the statistics of extreme events.

研究动机与目标

• 解决运行全尺度全球气候模型进行长期模拟与极端事件分析时计算成本过高的问题。
• 开发一种数据驱动的模拟器，能够捕捉日降水量复杂的时空模式，包括非平稳性与极端事件。
• 通过利用深度学习实现全球、高分辨率输出，克服传统模拟器（如模式缩放）和随机天气生成器的局限性。
• 证明基于 GAN 的方法可生成与先进地球系统模型输出在统计上无法区分的降水量序列。
• 为综合评估建模与气候影响研究中的可扩展、快速且精确的情景生成建立基础。

提出的方法

• 基于 BigGAN 架构训练一个 3D 卷积 GAN，包含 20 层，划分为五个模块，每个模块的空间分辨率逐步提升，从 4×8 提升至 64×128。
• 采用渐进式训练策略：每个模块独立训练，并通过 12,800 次更新的渐进融合过程逐步整合到完整模型中。
• 应用 3D 卷积同时建模时间（日）和空间（网格）维度，从第一个模块起即保留完整的时间分辨率（T=32 天）。
• 采用与生成器对称的判别器网络架构，使用 Leaky ReLU 激活函数且不使用批归一化，每轮生成器更新后更新三次判别器。
• 在模块添加过程中实施权重渐变，以稳定训练并避免随机初始化权重带来的干扰。
• 使用 AdamW 优化，学习率为 8e-5，梯度惩罚为 20.0（最后模块为 40.0），并基于验证数据的时空 KL 散度实现早停。

实验结果

研究问题

• RQ1 基于 GAN 的模拟器能否生成在统计上与高保真地球系统模型输出无法区分的全球日降水量序列？
• RQ2 该 GAN 在不同气候区域中对极端事件统计（如干日数量与最长干旱期长度）的捕捉能力如何？
• RQ3 与端到端训练相比，采用渐进式训练与渐进融合层是否能显著提升样本质量与训练稳定性？
• RQ4 该模型在挑战性区域（如赤道太平洋）中对降水空间模式与时间动态的保持程度如何？
• RQ5 该模拟器能否在保持保真度的前提下，显著降低计算成本，适用于气候影响建模与情景分析？

主要发现

• GAN 生成的降水量序列在统计上与气候模型输出无法区分，干日与最长干旱期的经验累积分布函数（eCDF）差异极小。
• 在丹佛与伦敦，生成数据的 eCDF 与测试集和验证集高度吻合，干日与干旱期数量仅存在轻微高估，4096 个样本中误差在数天以内。
• 该模型成功捕捉了区域特征，包括在南美洲西侧赤道太平洋区域持续存在的模拟困难，该问题在生成数据与真实测试数据中均存在。
• 与 DeepClimGAN 等先前方法相比，采用渐进式训练与渐进融合显著提升了训练稳定性和样本质量。
• 生成器可在笔记本电脑上数秒内生成 64×128 空间网格的 32 天高保真序列，相比完整气候模型模拟实现约 1000 倍加速。
• 四天降水量序列的视觉对比显示，生成数据与真实数据在所有季节中均表现出强烈的定性相似性，具备逼真的时空动态特征。