Fast, Scale-Adaptive, and Uncertainty-Aware Downscaling of Earth System Model Fields with Generative Machine Learning

要約

人為的気候変動の生態学的および社会経済的影響を評価するには、正確で高解像度の地球システム モデル (ESM) シミュレーションが不可欠ですが、十分に高い空間解像度で実行するには計算コストが高すぎます。
最近の機械学習アプローチは、ESM シミュレーションのダウンスケーリングにおいて、最先端の統計的アプローチを上回る有望な結果を示しています。
しかし、既存の方法では、ESMごとに計算コストのかかる再トレーニングが必要であり、トレーニング中に目に見えない気候への推定が不十分です。
私たちは、ゼロショット方式で再トレーニングすることなく、任意の ESM シミュレーションを効率的かつ正確にダウンスケールする整合性モデル (CM) を学習することで、これらの欠点に対処します。
私たちのアプローチは、観測参照データによってのみ制限される解像度で確率的にダウンスケールされたフィールドを生成します。
我々は、CM がダウンスケーリング タスクで高い制御性を維持しながら、数分の 1 の計算コストで最先端の拡散モデルを上回るパフォーマンスを示すことを示します。
さらに、私たちの方法は、明示的に定式化された物理的制約なしで、トレーニング中には見ら​​れない気候状態に一般化されます。

要約(オリジナル)

Accurate and high-resolution Earth system model (ESM) simulations are essential to assess the ecological and socio-economic impacts of anthropogenic climate change, but are computationally too expensive to be run at sufficiently high spatial resolution. Recent machine learning approaches have shown promising results in downscaling ESM simulations, outperforming state-of-the-art statistical approaches. However, existing methods require computationally costly retraining for each ESM and extrapolate poorly to climates unseen during training. We address these shortcomings by learning a consistency model (CM) that efficiently and accurately downscales arbitrary ESM simulations without retraining in a zero-shot manner. Our approach yields probabilistic downscaled fields at a resolution only limited by the observational reference data. We show that the CM outperforms state-of-the-art diffusion models at a fraction of computational cost while maintaining high controllability on the downscaling task. Further, our method generalizes to climate states unseen during training without explicitly formulated physical constraints.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google