Flow Matching for Convective-Scale Precipitation Downscaling

Resumen Técnico: Flow Matching para el Escalamiento Descendente de Precipitación a Escala Convectiva

Planteamiento del Problema
La información climática de alta resolución es esencial para evaluar impactos locales y eventos extremos, sin embargo, los Modelos de Circulación Global (GCM) carecen de la resolución necesaria para resolver la topografía compleja y los procesos convectivos de mesoescala. Los Modelos Climáticos Regionales (RCM) realizan un escalamiento descendente dinámico de los resultados de los GCM a resoluciones más finas (2–12 km), pero son computacionalmente costosos, lo que limita la generación de grandes conjuntos (ensembles) y la exploración de diversos escenarios climáticos. El aprendizaje automático (ML) ofrece una alternativa computacionalmente eficiente. No obstante, las arquitecturas de ML deterministas (p. ej., CNN, U-Nets) suelen producir salidas excesivamente suavizadas que no logran capturar la heterogeneidad espacial y la naturaleza de cola pesada de la precipitación. Si bien los modelos de difusión han emergido como el enfoque generativo de vanguardia para el escalamiento descendente, este trabajo investiga el Flow Matching como un marco competitivo alternativo.

Metodología
El estudio entrena un modelo de Flow Matching para realizar el escalamiento descendente de la precipitación diaria de una resolución de 8 km a 2 km sobre un dominio de escala convectiva centrado en Singapur.

• Datos: El modelo utiliza datos del Tercer Estudio Nacional de Cambio Climático de Singapur (V3), específicamente las simulaciones SINGV-RCM del V3. La tarea emula la segunda etapa del escalamiento descendente del V3 (de 8 km a 2 km) utilizando un marco de modelo imperfecto. El predictor (entrada) consiste en campos atmosféricos de 8 km (temperatura, humedad específica, componentes del viento entre 200–850 hPa y presión al nivel del mar) junto con campos estáticos (orografía, máscara tierra-mar). El objetivo es la precipitación media diaria a una resolución de 2 km. El conjunto de datos se divide temporalmente, entrenando con 1995–2014 y 2080–2099, validando con 2040–2049 y probando con 2050–2059.
• Arquitectura del Modelo: El modelo de Flow Matching aprende a transportar muestras desde una distribución de origen (Gaussiana estándar) hacia la distribución objetivo (precipitación de alta resolución) condicionada por entradas de baja resolución.
  • Interpolante: Se utiliza un interpolante lineal: $x_t = (1-t)x_0 + tx_1$, donde $x_0$ es la fuente y $x_1$ es el objetivo.
  • Red: Una U-Net de 23 millones de parámetros tipo ADM parametriza el campo de velocidad. El condicionamiento se logra mediante la concatenación de predictores de baja resolución reescalados, campos estáticos y el interpolante $x_t$. La red también utiliza incrustaciones posicionales sinusoidales e incrustaciones de tiempo de Fourier.
  • Entrenamiento: El modelo minimiza la pérdida de Flow Matching Condicional (CFM), regresando la salida de la red contra el campo de velocidad condicional derivado de muestras emparejadas de origen-objetivo.
  • Inferencia: Las muestras se generan extrayendo muestras de la distribución de origen e integrando numéricamente la ODE aprendida mediante el método de Heun con 50 pasos (100 evaluaciones de la red).
• Línea Base: El modelo de Flow Matching se compara con CPMGEM [1], un modelo de difusión basado en puntuación (score-based) de vanguardia. La línea base utiliza 300 pasos de muestreo de Euler (300 evaluaciones de la red).

Resultados Clave
La evaluación se centra en la destreza probabilística (CRPS), la estructura espacial (FSS, SAL) y la calibración de la intensidad.

1. Destreza Probabilística General: El Flow Matching logra un menor Error de Probabilidad de Puntaje Continuo (CRPS) de 4.59 en comparación con el 4.70 de CPMGEM, a pesar de requerir solo un tercio del costo de muestreo (100 frente a 300 evaluaciones de la red).
2. Destreza Espacial:
   • Puntaje de Destreza de Fracción (FSS): El Flow Matching supera consistentemente a CPMGEM en todos los umbrales de precipitación probados (1, 10, 50 y 100 mm/día) y en todas las escalas de vecindad (6–130 km).
   • Puntaje SAL: El Flow Matching demuestra distribuciones más ajustadas para los componentes de Estructura (S) y Amplitud (A), lo que indica una superior consistencia en la forma/tamaño de los objetos y en las cantidades totales de precipitación. La destreza de Localización (L) es comparable entre ambos modelos, lo que sugiere que el Flow Matching no sufre de errores significativos de desplazamiento.
3. Calibración de Intensidad: Se identifica una limitación crítica del modelo de Flow Matching en la cola superior de la distribución de precipitación. Mientras que ambos modelos siguen bien el objetivo en intensidades bajas a moderadas, el Flow Matching subestima los eventos de precipitación intensa (la cola superior) con mayor frecuencia que CPMGEM. Esto resulta en un sesgo seco sistemático en la media climatológica, particularmente sobre áreas marinas, mientras que CPMGEM permanece más cerca de la media objetivo con un ligero sesgo positivo.

Significancia y Reivindicaciones
El artículo concluye que el Flow Matching es un marco generativo competitivo para el escalamiento descendente de la precipitación a escala convectiva. Su principal significancia radica en su capacidad para capturar la estructura espacial de manera más efectiva que la línea base de difusión, logrando puntajes de destreza espacial más altos con un costo computacional significativamente menor durante la inferencia.

Los autores posicionan este trabajo como un "primer paso" hacia un enfoque basado en parches para el escalamiento descendente de la rejilla completa de 960 × 960 del Continente Marítimo Occidental. Sugieren que el Flow Matching es particularmente adecuado para aplicaciones que requieren la generación de grandes conjuntos para caracterizar la incertidencia, siempre que se aborde la subrepresentación de las colas de precipitación extrema. El estudio no pretende resolver el problema de la calibración de la intensidad, sino que lo destaca como un área específica para mejoras futuras, afirmando al mismo tiempo la viabilidad general del marco para la proyección climática de alta resolución.