Dynamical-generative downscaling of climate model ensembles

要約

地域の高解像度気候予測は、農業、水文学、自然災害リスク評価などの多くの用途にとって重要です。
局所的な将来の気候情報を生成する最先端の方法である動的ダウンスケーリングには、地球システム モデル (ESM) によって駆動される地域気候モデル (RCM) の実行が含まれますが、大規模な気候予測に適用するには計算コストが高すぎます。
アンサンブル。
私たちは、コストを削減し、ダウンスケールされた気候予測の不確実性推定を改善するために、動的ダウンスケーリングと生成人工知能を組み合わせた新しいアプローチを提案します。
私たちのフレームワークでは、RCM が ESM 出力を中間解像度まで動的にダウンスケールし、その後、生成拡散モデルによって解像度をターゲット スケールまでさらに調整します。
このアプローチは、物理ベースのモデルの一般化可能性と拡散モデルのサンプリング効率を活用し、大規模なマルチモデル アンサンブルのダウンスケーリングを可能にします。
CMIP6 アンサンブルから動的にダウンスケールされた気候予測に対して私たちの方法を評価します。
私たちの結果は、より小さなアンサンブルの動的ダウンスケーリングや従来の経験的統計的ダウンスケーリング手法などの代替手法よりも、将来の地域の気候についてより正確な不確実性限界を提供する能力を示しています。
また、動的生成ダウンスケーリングの方が、バイアス補正と空間分解 (BCSD) よりも誤差が大幅に低くなり、気象場のスペクトルと多変量相関をより正確に捕捉できることも示します。
これらの特性により、動的生成フレームワークは、現時点では純粋な動的ダウンスケーリングには手が届かない、気候予測の大規模なアンサンブルをダウンスケールするための柔軟で正確かつ効率的な方法となります。

要約(オリジナル)

Regional high-resolution climate projections are crucial for many applications, such as agriculture, hydrology, and natural hazard risk assessment. Dynamical downscaling, the state-of-the-art method to produce localized future climate information, involves running a regional climate model (RCM) driven by an Earth System Model (ESM), but it is too computationally expensive to apply to large climate projection ensembles. We propose a novel approach combining dynamical downscaling with generative artificial intelligence to reduce the cost and improve the uncertainty estimates of downscaled climate projections. In our framework, an RCM dynamically downscales ESM output to an intermediate resolution, followed by a generative diffusion model that further refines the resolution to the target scale. This approach leverages the generalizability of physics-based models and the sampling efficiency of diffusion models, enabling the downscaling of large multi-model ensembles. We evaluate our method against dynamically-downscaled climate projections from the CMIP6 ensemble. Our results demonstrate its ability to provide more accurate uncertainty bounds on future regional climate than alternatives such as dynamical downscaling of smaller ensembles, or traditional empirical statistical downscaling methods. We also show that dynamical-generative downscaling results in significantly lower errors than bias correction and spatial disaggregation (BCSD), and captures more accurately the spectra and multivariate correlations of meteorological fields. These characteristics make the dynamical-generative framework a flexible, accurate, and efficient way to downscale large ensembles of climate projections, currently out of reach for pure dynamical downscaling.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google