[论文解读] Machine learning emulation of a local-scale UK climate model

Henry Addison, Elizabeth Kendon+3 more|arXiv (Cornell University)|Nov 29, 2022

Climate variability and models被引用 7

一句话总结

本文提出了一种基于扩散模型的机器学习模拟器，能够从低分辨率（60公里）气候模型数据生成高分辨率（2.2公里）英国降雨模拟，显著降低计算成本，同时保持真实的时空降雨结构。该模型通过引入自学习的、与位置相关的参数，实现了最先进的性能，其生成结果与原始对流允许模型的关键统计特性相比，偏差控制在约10%以内。

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.

研究动机与目标

• 开发一种计算高效的高分辨率降雨投影生成方法，用于本地尺度的气候影响评估。
• 解决用于区域气候模拟的物理驱动对流允许模型（CPMs）带来的高计算成本问题。
• 通过实现捕捉空间结构和极端事件变异性、具有概率性的高分辨率降雨抽样，改进统计降尺度方法。
• 探索使用深度生成模型——特别是扩散模型——进行气候模拟，以克服传统确定性模型或存在模式坍缩问题的生成对抗网络（GANs）的局限性。
• 评估自学习的位置特定特征是否能提升降尺度结果的真实感与准确性，超越仅使用粗分辨率输入变量的水平。

提出的方法

• 训练一个扩散模型（基于得分的生成模型），以60公里位势涡度（850 hPa）的气候模型输出为条件，生成2.2公里分辨率的降雨场。
• 模型采用U-Net架构，结合噪声调度和基于得分的训练方法，学习从高分辨率降雨样本中反向去噪的过程。
• 在条件输入中加入一个8通道的自学习、位置特定参数特征图，以提升空间保真度并降低偏差。
• 模型在UKCP18数据集上进行训练，以降尺度后的CPM输出作为目标，条件输入来自CPM或GCM数据。
• 通过从随机噪声开始，利用得分网络迭代去噪，结合条件输入和学习到的位置特征进行采样。
• 训练框架基于Score SDE代码库的PyTorch实现，超参数针对降雨数据分布进行了调优。

实验结果

研究问题

• RQ1 扩散模型能否有效生成基于低分辨率气候变量的、逼真的高分辨率降雨场？
• RQ2 与仅使用相对涡度相比，引入自学习的位置特定参数在多大程度上提升了生成降雨样本的统计保真度？
• RQ3 生成样本在边际分布和分位数分布上与原始对流允许模型（CPM）模拟结果的匹配程度如何？
• RQ4 当模型以GCM输入而非降尺度后的CPM数据作为条件时，其性能表现如何？在输入分布偏移方面存在哪些限制？
• RQ5 模型能否生成多样化、合理的降雨实现，以反映极端降水事件的随机特性？

主要发现

• 扩散模型成功生成了视觉上逼真、能捕捉极端降雨事件空间结构的高分辨率降雨样本。
• 模型生成样本的分位数与目标CPM分布高度匹配，所有分位数区间（10%–90%、91%–99%、99.1%–99.9%）的尺度偏差均控制在约10%以内。
• 与仅使用输入变量的基线模型相比，引入自学习的位置特定参数使降雨估计的平均归一化偏差降低了约10%。
• 模型在验证集的全部4,320个时间戳上均保持一致性能，生成的样本在相同粗分辨率输入下覆盖了合理的降雨范围。
• 基于GCM输入训练的模型生成样本的质量与基于降尺度CPM数据训练的模型相当，尽管输入变量的分布偏移可能限制其性能。
• 模型在推广至未见过的极端条件方面展现出强大潜力，尽管尚未经过正式测试，这仍是未来工作的方向。