Generating realistic global precipitation fields from modelled atmospheric circulation

Resumen Técnico: Generación de Campos de Precipitación Global Realistas a partir de la Circulación Atmosférica Modelada

Enunciado del Problema
La simulación precisa de precipitaciones de alta resolución es crítica para evaluar los impactos del cambio climático, particularmente en lo que respecta a eventos extremos como inundaciones y sequías. Sin embargo, los Modelos del Sistema Terrestre (MST) tienen dificultades para resolver explícitamente las precipitaciones debido a las limitaciones computacionales. Los MST actuales dependen de parametrizaciones basadas en columnas que aproximan procesos a escala subgrid (por ejemplo, convección) de forma independiente para cada columna de la cuadrícula. Estos esquemas a menudo fallan en capturar las interacciones horizontales, lo que conduce a sesgos significativos, como el sesgo de la Doble Zona de Convergencia Intertropical (ZCIT), y a una incapacidad para representar la variabilidad espacial a escala fina y las estadísticas de eventos extremos. Además, generar grandes conjuntos de proyecciones de alta resolución es computacionalmente prohibitivo cuando se ejecutan modelos dinámicos a resoluciones finas.

Metodología
Los autores proponen un marco de aprendizaje automático generativo de dos etapas que infiere campos globales diarios de precipitación de alta resolución (0.25°) a partir de un pequeño conjunto de variables atmosféricas prognósticas de baja resolución (1°). El marco se entrena exclusivamente con datos de reanálisis ERA5 y se aplica a las salidas de los MST mediante adaptación de dominio.

1. Etapa 1: Regresión Determinista (UNet)

   • Entrada: Cuatro variables atmosféricas de 1°: humedad específica a 850 hPa, componentes del viento zonal y meridional a 10 m, y presión atmosférica al nivel del mar.
   • Arquitectura: Una UNet eficiente en memoria con bloques ResNet y una sola capa de atención de cuello de botella.
   • Objetivo: Aprender un mapeo determinista desde el estado atmosférico grueso hacia un campo de precipitación de 1°.
   • Corrección de Sesgo: La salida cruda de la UNet hereda sesgos sistemáticos de las entradas del MST. Para corregir esto, los autores aplican el Mapeo Delta de Cuantiles (QDM) utilizando el período histórico (1980–2014) para alinear la salida de la UNet con la precipitación ERA5 de 1°.

2. Etapa 2: Reducción de Escala Probabilística (Modelo de Difusión Condicional)

   • Entrada: El campo de precipitación de 1° corregido con QDM (interpolado a 0.25°).
   • Arquitectura: Un Modelo Probabilístico de Difusión de Eliminación de Ruido (DDPM) basado en una Efficient U-Net, condicionado a la precipitación gruesa.
   • Estrategia de Entrenamiento: El modelo se entrena para reconstruir patrones de precipitación ERA5 de alta resolución (0.25°). Crucialmente, durante el entrenamiento, se inyecta ruido gaussiano en la entrada de condición de 1°. Esto obliga al modelo a aprender a regenerar patrones espaciales a pequeña escala consistentes con las estructuras a gran escala proporcionadas por la condición, en lugar de simplemente memorizar la entrada.
   • Inferencia y Adaptación de Dominio: Al aplicar el modelo a datos de MST, la tubería asegura que la distribución de entrada coincida con la distribución de entrenamiento. Esto implica:
     • Aplicar QDM para corregir sesgos a gran escala.
     • Interpolar a la resolución objetivo.
     • Inyectar la misma magnitud de ruido gaussiano utilizada durante el entrenamiento. Este paso elimina efectivamente las características a pequeña escala suaves y sesgadas de la salida del MST, permitiendo que el modelo de difusión "regenere" una variabilidad a pequeña escala realista consistente con las estadísticas de ERA5, mientras preserva la dinámica a gran escala del MST.

Resultados Clave

• Reducción del Sesgo: El marco reduce significativamente los sesgos espaciales en comparación con el modelo GFDL-ESM4 crudo. El sesgo absoluto medio disminuye de 0.561 mm/día (GFDL) a 0.164 mm/día (UNet corregida con QDM) y ulteriormente a 0.111 mm/día (Modelo de Difusión). El método mitiga efectivamente el sesgo de la doble ZCIT prevalente en el modelo GFDL.
• Fidelidad Estadística: El modelo de difusión reproduce con éxito la densidad espectral de potencia (PSD) espacial de ERA5, recuperando la variabilidad a pequeña escala (hasta ~100 km) que se pierde en la salida gruesa del MST. Los histogramas muestran una representación mejorada de las frecuencias de precipitación, particularmente para eventos extremos (>150 mm/día), aunque persiste una ligera subestimación de las colas más extremas.
• Generación de Conjuntos: A diferencia de las parametrizaciones deterministas, el modelo de difusión genera conjuntos diversos y espacialmente consistentes. La evaluación utilizando la Puntuación de Probabilidad Continua Clasificada (CRPS) muestra que el modelo supera las líneas base deterministas y proporciona una representación bien calibrada de la incertidumbre (relación dispersión-habilidad).
• Preservación de Tendencias Climáticas: Al aplicarse a escenarios climáticos futuros (SSP3-7.0), el marco preserva las señales de cambio climático a gran escala (tendencias) proyectadas por el MST mientras corrige las estructuras espaciales a pequeña escala. El modelo de difusión atenúa la varianza interanual irrealmente alta introducida por el paso QDM en el modelo de regresión, resultando en tendencias medias globales que se alinean estrechamente con las proyecciones del MST impulsor.
• Generalizabilidad: El enfoque se aplicó con éxito a un MST diferente (MPI-ESM-HR) sin reentrenamiento, demostrando robustez entre modelos con características espectrales similares.

Significado y Afirmaciones
El artículo afirma presentar una alternativa computacionalmente eficiente a las parametrizaciones tradicionales basadas en columnas. Al aprovechar el aprendizaje automático generativo, el marco puede producir campos probabilísticos de precipitación de alta resolución (0.25°) a partir de variables atmosféricas gruesas en segundos, una tarea que sería prohibitivamente costosa con la reducción de escala dinámica.

Los autores enfatizan que su método:

• Desacopla escalas: Permite que los modelos de impacto reciban datos de precipitación de alta resolución sin requerir que el modelo atmosférico impulsor se ejecute a esa resolución.
• Corrige sesgos: Mitiga los sesgos sistemáticos de los MST (como la doble ZCIT) y restaura la variabilidad espacial a escala fina que los MST suelen difuminar.
• Mantiene consistencia: Preserva las señales de cambio climático a gran escala proyectadas por los MST mientras genera patrones a pequeña escala consistentes con el reanálisis observacional (ERA5).
• Ofrece un nuevo paradigma: Demuestra que los patrones complejos de precipitación pueden aprenderse directamente a partir de variables atmosféricas a gran escala, ofreciendo una vía viable para generar grandes conjuntos de proyecciones climáticas de alta resolución para la evaluación de riesgos.

Los autores señalan limitaciones, incluida la suposición de que la relación estadística entre la circulación a gran escala y la precipitación a pequeña escala permanece válida bajo un calentamiento futuro, y la falta de restricciones temporales explícitas en las características a pequeña escala (aunque la continuidad temporal a gran escala se hereda de las entradas atmosféricas). Reconocen que el propio ERA5 contiene sesgos, pero sigue siendo el estándar para el entrenamiento debido a su cobertura global y consistencia física.