Climate Downscaling with Stochastic Interpolants (CDSI)

Die vorgestellte Studie stellt eine datengetriebene Methode zur Klimadownscaling namens CDSI vor, die mithilfe stochastischer Interpolanten kosteneffizient grobe globale Klimamodelldaten in präzise hochauflösende regionale Projektionen umwandelt und so die Unsicherheitsquantifizierung sowie die Nutzung detaillierter Klimainformationen verbessert.

Das Wesentliche

Hier ist eine einfache Erklärung der Studie „Climate Downscaling with Stochastic Interpolants" (CDSI), erzählt mit ein paar kreativen Vergleichen, damit sie für jeden verständlich wird.

Das große Problem: Der grobe Klotz und der feine Pinsel

Stellen Sie sich vor, Sie wollen die Wettervorhersage für eine ganze Stadt machen.
Die großen globalen Klimamodelle (die sogenannten ESMs) sind wie ein riesiger, schwerer Klotz. Sie können das Wetter für den ganzen Globus berechnen, aber sie sind so grob, dass sie nur große „Flecken" sehen. Ein Pixel auf ihrer Karte entspricht etwa 100 Kilometern. Das ist wie wenn Sie ein Foto von Deutschland aus dem Weltall machen: Sie sehen die Konturen, aber Sie können nicht erkennen, ob es in einer bestimmten kleinen Stadt gerade regnet oder die Sonne scheint.

Für lokale Entscheidungen (z. B. „Baue ich einen Deich hier oder dort?") brauchen wir aber Details bis auf 10 Kilometer oder weniger.

Bisher gab es zwei Wege, diese Details zu bekommen:

1. Der teure Weg (RCM): Man nimmt den groben Klotz und versucht, ihn mit einem regionalen Modell (RCM) zu verfeinern. Das ist wie ein Künstler, der versucht, ein riesiges Gemälde Pixel für Pixel nachzuzeichnen. Das Ergebnis ist toll, aber es dauert ewig und kostet eine Unmenge an Rechenleistung. Man kann nur wenige Bilder (Simulationen) machen.
2. Der einfache Weg (KI): Man versucht, eine KI zu trainieren, die das grobe Bild einfach „herunterzoomt" und die fehlenden Details errät. Das ist schnell, aber oft unscharf oder falsch.

Die neue Lösung: CDSI – Der intelligente Maler

Die Forscher in diesem Papier haben eine neue Methode namens CDSI entwickelt. Sie nutzen eine Technik, die sie „Stochastische Interpolanten" nennen. Das klingt kompliziert, ist aber im Kern wie ein sehr cleverer Trick.

Stellen Sie sich das so vor:

1. Der alte Weg (Diffusionsmodelle): Vom weißen Rauschen zum Bild

Frühere KI-Methoden (wie Diffusionsmodelle) funktionierten wie ein Künstler, der mit einem komplett weißen, verrauschten Blatt Papier beginnt. Er muss erst das Rauschen entfernen und dann langsam das Bild erschaffen.

• Das Problem: Der Künstler muss sich alles merken und neu erfinden. Das ist schwer, und am Ende sieht das Bild manchmal noch etwas „verrauscht" oder künstlich aus.

2. Der neue Weg (CDSI): Vom groben Entwurf zum feinen Meisterwerk

CDSI macht etwas anderes. Es startet nicht bei Null (weißes Rauschen). Es startet mit dem grobem Bild, das wir schon haben (den Daten des globalen Modells).

• Die Analogie: Stellen Sie sich vor, Sie haben eine grobe Skizze eines Hauses. Ein neuer, intelligenter Assistent (CDSI) nimmt diese Skizze und fügt schrittweise die Details hinzu: die Ziegelsteine, die Fenster, die Blumen im Garten.
• Der Vorteil: Der Assistent muss nicht raten, wie ein Haus im Allgemeinen aussieht. Er weiß schon, wo die Wände sind. Er muss nur noch die feinen Details und die Zufälligkeiten (wie genau die Wolken aussehen) hinzufügen. Das ist viel einfacher und schneller zu lernen.

Was bringt das uns?

1. Geschwindigkeit: CDSI ist extrem schnell. Es braucht nur einen Bruchteil der Rechenzeit im Vergleich zu den alten regionalen Modellen (RCMs).
2. Vielfalt (Ensembles): Weil es so schnell ist, können wir nicht nur ein Bild machen, sondern 100 oder 1000 verschiedene Versionen.
   • Vergleich: Wenn Sie nur 5 Bilder haben, wissen Sie nicht, ob das Wetter morgen sicher ist. Wenn Sie 100 Bilder haben, sehen Sie: „In 90% der Szenarien wird es regnen, aber in 10% scheint die Sonne." Das gibt uns eine viel bessere Vorstellung von der Unsicherheit.
3. Qualität: Die Bilder sehen nicht nur gut aus, sondern sind physikalisch korrekt. Die KI lernt, dass Regen und Temperatur zusammenhängen müssen, und erzeugt realistische Muster.

Das Fazit in einem Satz

CDSI ist wie ein Super-Assistent, der aus einer groben Skizze (globales Klimamodell) blitzschnell und präzise hochauflösende, detaillierte Karten (lokales Klima) erstellt, ohne dass wir dafür jahrelang warten oder Millionen an Rechenleistung verschwenden müssen.

Damit können wir viel besser vorhersagen, was mit unserem lokalen Wetter passieren wird – sei es bei Hochwasser, Hitzewellen oder Stürmen – und uns darauf vorbereiten.

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des Papers „Climate Downscaling with Stochastic Interpolants (CDSI)" auf Deutsch:

Titel: Climate Downscaling with Stochastic Interpolants (CDSI)

Autoren: Erik Larsson, Ramon Fuentes-Franco, Mikhail Ivanov, Fredrik Lindsten
Veröffentlichung: Preprint, März 2026 (arXiv:2603.03838)

---

1. Problemstellung

Globale Klimaprojektionen basieren auf Erdsystemmodellen (ESMs), die aufgrund hoher Rechenkosten typischerweise nur grobe räumliche Auflösungen (ca. 100 km) bieten. Diese Auflösung reicht nicht aus, um mesoskalige Prozesse (z. B. konvektive Stürme, komplexe Topografie) und Extremwetterereignisse im Maßstab von 1–10 km korrekt abzubilden.

Um hochauflösende regionale Projektionen zu erhalten, werden derzeit Regional Climate Models (RCMs) verwendet, die von ESM-Daten als Randbedingungen angetrieben werden. Obwohl RCMs effizienter sind als hochaufgelöste ESM-Läufe, bleiben sie rechenintensiv. Dies limitiert die Größe von Ensemble-Simulationen und die Anzahl der untersuchten Szenarien, was für eine robuste Unsicherheitsquantifizierung und Anpassungsplanung hinderlich ist.

Das Ziel ist es, eine datengetriebene Methode zu entwickeln, die grobe ESM-Ausgaben effizient in hochauflösende regionale Klimaprojektionen umwandelt (Downscaling), ohne die hohen Kosten traditioneller RCMs.

2. Methodik: Stochastic Interpolants (CDSI)

Die Autoren schlagen CDSI (Climate Downscaling with Stochastic Interpolants) vor, ein multivariates, probabilistisches Framework, das auf dem Konzept der stochastischen Interpolanten basiert.

• Grundprinzip: Im Gegensatz zu Diffusionsmodellen, die Daten aus reinem Gaußschen Rauschen generieren, konstruiert CDSI stochastische Trajektorien, die direkt von der groben Eingabe ($x_0$, LQ - Low Quality) zur feinen Zielverteilung ($x_1$, HQ - High Quality) führen.
• Mathematischer Rahmen:
  • Es wird eine stochastische Differentialgleichung (SDE) gelernt, die einen Transport zwischen den Verteilungen $p_0$ (LQ) und $p_1|x_0$ (HQ, bedingt auf LQ) ermöglicht.
  • Der Interpolant wird definiert als: $x_t = \alpha(t)x_0 + \beta(t)x_1 + \sigma(t)W_t$, wobei $W_t$ ein Wiener-Prozess ist.
  • Das Modell lernt eine Drift-Funktion $\hat{b}(t, x_t, x_0, C)$, die den optimalen Pfad von $x_0$ nach $x_1$ steuert.
• Architektur:
  • Als Backbone wird ein UNET verwendet (angepasst an Song et al., 2021; Karras et al., 2022) mit ca. 62,5 Millionen Parametern.
  • Die Eingabe besteht aus 24 Feldern des ESM (hochskaliert via bilinearer Interpolation auf das RCM-Gitter) sowie 6 statischen/forcierenden Features (z. B. Topografie, Land-Meer-Maske).
  • Die Ausgabe sind hochauflösende Felder für Niederschlag und 2m-Lufttemperatur.
• Sampling:
  • Die Generierung erfolgt durch numerische Lösung der gelernten SDE (z. B. Euler-Maruyama-Verfahren) in diskreten Schritten.
  • Ensemble-Mitglieder werden durch unabhängige Realisierungen des Rauschprozesses erzeugt.

Unterschied zu bestehenden Ansätzen:

• Gegenüber Diffusionsmodellen (EDM): EDM muss lernen, Rauschen zu entfernen, um vom Rauschen zur Datenverteilung zu gelangen. CDSI startet von einem physikalisch sinnvollen LQ-Zustand, was den Lernprozess vereinfacht und realistischere Samples (weniger Rauschen, bessere Spektren) liefert.
• Gegenüber CorrDiff: CorrDiff verwendet einen zweistufigen Ansatz (deterministisches Modell für den Mittelwert + Diffusionsmodell für Residuen). CDSI erreicht vergleichbare Ergebnisse mit einem einzigen probabilistischen Modell und ohne separate deterministische Komponente.

3. Experimente und Daten

• Daten:
  • Eingabe (LQ): Globales ESM EC-Earth (ca. 110 km Auflösung).
  • Ziel (HQ): Regionales Modell HCLIM (ALADIN-Konfiguration, ca. 12 km Auflösung) über dem EURO-CORDEX-Gebiet.
  • Zeiträume: Training (1951–2008), Validierung (2009), Test (2010–2014).
• Benchmarks:
  • Deterministisches UNET (MSE-Verlust).
  • Bedingtes EDM-Diffusionsmodell (Karras et al., 2022).
  • CorrDiff (Zweistufiger Ansatz).
• Metriken: RMSE (Root Mean Squared Error), SSR (Spread-Skill Ratio), CRPS (Continuous Ranked Probability Score) und Leistungsspektren.

4. Ergebnisse

Die Evaluierung zeigt, dass CDSI konkurrenzfähige bis überlegene Ergebnisse liefert:

• Genauigkeit (RMSE): CDSI erzielt leicht niedrigere RMSE-Werte als CorrDiff für Temperatur und vergleichbare Werte für Niederschlag. Beide probabilistischen Methoden übertreffen das deterministische UNET in der Ensemble-Varianz, auch wenn das UNET oft einen niedrigeren Mittelwertfehler hat (da es keine Unsicherheit abbildet).
• Unsicherheitsquantifizierung (SSR & CRPS):
  • CDSI zeigt eine bessere Kalibrierung (SSR nahe 1) für Temperatur im Vergleich zu CorrDiff.
  • Die Ensemble-Spreads von CDSI sind besser kalibriert, insbesondere bei ausreichender Anzahl an Integrationsschritten (NFEs).
  • Im Gegensatz zu CorrDiff, dessen Ensemble bei mehr Schritten unterdispersiv wird, verbessert sich die Kalibrierung von CDSI mit mehr Schritten.
• Physikalische Realität:
  • Spektren: CDSI erzeugt Leistungsspektren, die dem Ziel (HCLIM) sehr nahe kommen. Diffusionsmodelle (EDM) scheiterten unter gleichen Bedingungen oft daran, hochfrequentes Rauschen vollständig zu entfernen.
  • Qualität: Die Samples von CDSI sind visuell und physikalisch realistischer als die von reinen Diffusionsmodellen, da sie auf einem physikalischen Prior (LQ-Eingabe) aufbauen.
• Generalisierung:
  • CDSI generalisiert erfolgreich auf zukünftige Klimabedingungen (Testzeitraum 2010–2014), die nicht im Training waren.
  • Das Modell zeigt Robustheit gegenüber neuen Realisierungen des Klimamodells (Training auf Realisierung 1, Test auf Realisierung 2), was auf eine gute Handhabung von Verteilungsverschiebungen hindeutet.
• Rechenkosten:
  • CDSI benötigt weniger Funktionsevaluationen (NFEs) als CorrDiff für vergleichbare Ergebnisse, da kein separater deterministischer Vorlauf nötig ist.
  • Der Speicherbedarf ist geringer als bei CorrDiff, da nur ein Modell geladen werden muss.

5. Hauptbeiträge

1. Einführung von CDSI: Ein neues, datengetriebenes Downscaling-Framework basierend auf stochastischen Interpolanten, das globale grobe Simulationen direkt in hochauflösende regionale Projektionen überführt.
2. Effizienz und Einfachheit: CDSI erreicht State-of-the-Art-Leistung mit einem einzigen probabilistischen Modell und vermeidet die komplexen, mehrstufigen Pipelines (deterministisch + diffusiv) anderer Methoden.
3. Robustheit: Demonstration der Generalisierungsfähigkeit auf unbekannte zukünftige Szenarien und neue Modellrealisierungen, was für die Anwendung in der Klimaforschung entscheidend ist.

6. Bedeutung und Ausblick

Die Arbeit zeigt, dass stochastische Interpolanten eine vielversprechende Alternative zu Diffusionsmodellen für das Klimadownscaling darstellen. Der Ansatz ermöglicht die Generierung großer Ensembles und langer Simulationszeiträume zu einem Bruchteil der Kosten traditioneller RCMs. Dies ist essenziell für die Unsicherheitsquantifizierung und die Planung von Anpassungsmaßnahmen an den Klimawandel.

Zukünftige Arbeiten könnten die Erweiterung auf weitere Variablen, die Integration expliziter physikalischer Constraints und die Verbesserung der Darstellung von Extremereignissen umfassen.