Generating realistic global precipitation fields from modelled atmospheric circulation

Résumé technique : Génération de champs de précipitations mondiaux réalistes à partir de la circulation atmosphérique modélisée

Énoncé du problème
La simulation précise des précipitations à haute résolution est cruciale pour évaluer les impacts du changement climatique, en particulier concernant les événements extrêmes tels que les inondations et les sécheresses. Cependant, les modèles du système terrestre (MST) peinent à résoudre explicitement les précipitations en raison des contraintes computationnelles. Les MST actuels reposent sur des paramétrisations basées sur des colonnes qui approximent les processus à l'échelle sous-maille (par exemple, la convection) indépendamment pour chaque colonne de grille. Ces schémas échouent souvent à capturer les interactions horizontales, entraînant des biais significatifs, tels que le biais de double zone de convergence intertropicale (ZCIT), et une incapacité à représenter la variabilité spatiale à fine échelle et les statistiques des événements extrêmes. De plus, la génération de grands ensembles de projections à haute résolution est computationnellement prohibitive lorsque l'on exécute des modèles dynamiques à des résolutions fines.

Méthodologie
Les auteurs proposent un cadre d'apprentissage automatique génératif en deux étapes qui infère des champs de précipitations mondiaux quotidiens à haute résolution (0,25°) à partir d'un petit ensemble de variables atmosphériques prognostiques à basse résolution (1°). Le cadre est entraîné exclusivement sur des données de réanalyse ERA5 et appliqué aux sorties des MST via une adaptation de domaine.

1. Étape 1 : Régression déterministe (UNet)

   • Entrée : Quatre variables atmosphériques à 1° : humidité spécifique à 850 hPa, composantes zonale et méridienne du vent à 10 m, et pression au niveau de la mer.
   • Architecture : Un UNet économe en mémoire avec des blocs ResNet et une seule couche d'attention de goulot d'étranglement.
   • Objectif : Apprendre une correspondance déterministe de l'état atmosphérique grossier vers un champ de précipitations à 1°.
   • Correction des biais : La sortie brute du UNet hérite de biais systématiques des entrées MST. Pour corriger cela, les auteurs appliquent le mappage des quantiles delta (QDM) en utilisant la période historique (1980–2014) pour aligner la sortie du UNet avec les précipitations ERA5 à 1°.

2. Étape 2 : Désagrégation probabiliste (Module de diffusion conditionnel)

   • Entrée : Le champ de précipitations à 1° corrigé par QDM (interpolé à 0,25°).
   • Architecture : Un modèle probabiliste de diffusion par débruitage (DDPM) basé sur un Efficient U-Net, conditionné par les précipitations grossières.
   • Stratégie d'entraînement : Le modèle est entraîné à reconstruire les motifs de précipitations ERA5 à haute résolution (0,25°). Crucialement, lors de l'entraînement, du bruit gaussien est injecté dans l'entrée de conditionnement à 1°. Cela force le modèle à apprendre à régénérer des motifs spatiaux à petite échelle cohérents avec les structures à grande échelle fournies par la condition, plutôt que de simplement mémoriser l'entrée.
   • Inférence et adaptation de domaine : Lors de l'application du modèle aux données MST, le pipeline assure que la distribution d'entrée correspond à la distribution d'entraînement. Cela implique :
     • L'application de QDM pour corriger les biais à grande échelle.
     • L'interpolation vers la résolution cible.
     • L'injection de la même magnitude de bruit gaussien utilisée pendant l'entraînement. Cette étape élimine efficacement les caractéristiques à petite échelle lisses et biaisées de la sortie MST, permettant au modèle de diffusion de « régénérer » une variabilité à petite échelle réaliste cohérente avec les statistiques ERA5 tout en préservant la dynamique à grande échelle du MST.

Résultats clés

• Réduction des biais : Le cadre réduit significativement les biais spatiaux par rapport au modèle brut GFDL-ESM4. Le biais absolu moyen passe de 0,561 mm/jour (GFDL) à 0,164 mm/jour (UNet corrigé par QDM) et davantage à 0,111 mm/jour (Modèle de diffusion). La méthode atténue efficacement le biais de double ZCIT prévalent dans le modèle GFDL.
• Fidélité statistique : Le modèle de diffusion reproduit avec succès la densité spectrale de puissance (DSP) spatiale de l'ERA5, récupérant la variabilité à petite échelle (jusqu'à ~100 km) perdue dans la sortie MST grossière. Les histogrammes montrent une meilleure représentation des fréquences de précipitations, en particulier pour les événements extrêmes (>150 mm/jour), bien qu'une légère sous-estimation des queues les plus extrêmes subsiste.
• Génération d'ensembles : Contrairement aux paramétrisations déterministes, le modèle de diffusion génère des ensembles diversifiés et spatialement cohérents. L'évaluation utilisant le score de probabilité continue classée (CRPS) montre que le modèle surpasse les bases déterministes et fournit une représentation bien calibrée de l'incertitude (relation dispersion-compétence).
• Préservation des tendances climatiques : Lorsqu'il est appliqué à des scénarios climatiques futurs (SSP3-7.0), le cadre préserve les signaux de changement climatique à grande échelle (tendances) projetés par le MST tout en corrigeant les structures spatiales à petite échelle. Le modèle de diffusion atténue la variance interannuelle irréalistement élevée introduite par l'étape QDM dans le modèle de régression, aboutissant à des tendances moyennes mondiales qui s'alignent étroitement avec les projections MST motrices.
• Généralisabilité : L'approche a été appliquée avec succès à un MST différent (MPI-ESM-HR) sans réentraînement, démontrant une robustesse à travers des modèles aux caractéristiques spectrales similaires.

Signification et affirmations
L'article prétend présenter une alternative computationnellement efficace aux paramétrisations traditionnelles basées sur des colonnes. En tirant parti de l'apprentissage automatique génératif, le cadre peut produire des champs de précipitations probabilistes à haute résolution (0,25°) à partir de variables atmosphériques grossières en quelques secondes, une tâche qui serait prohibitivement coûteuse avec un désagrégation dynamique.

Les auteurs soulignent que leur méthode :

• Découple les échelles : Elle permet aux modèles d'impact de recevoir des données de précipitations à haute résolution sans exiger que le modèle atmosphérique moteur s'exécute à cette résolution.
• Corrige les biais : Elle atténue les biais systématiques des MST (comme la double ZCIT) et restaure la variabilité spatiale à fine échelle que les MST brouillent généralement.
• Maintient la cohérence : Elle préserve les signaux de changement climatique à grande échelle projetés par les MST tout en générant des motifs à petite échelle cohérents avec la réanalyse observationnelle (ERA5).
• Offre un nouveau paradigme : Elle démontre que des motifs complexes de précipitations peuvent être appris directement à partir de variables atmosphériques à grande échelle, offrant une voie viable pour générer de grands ensembles de projections climatiques à haute résolution pour l'évaluation des risques.

Les auteurs notent des limites, notamment l'hypothèse que la relation statistique entre la circulation à grande échelle et les précipitations à petite échelle reste valable sous un réchauffement futur, et l'absence de contraintes temporelles explicites sur les caractéristiques à petite échelle (bien que la continuité temporelle à grande échelle soit héritée des entrées atmosphériques). Ils reconnaissent que l'ERA5 elle-même contient des biais mais reste la norme pour l'entraînement en raison de sa couverture mondiale et de sa cohérence physique.