Domain-Adaptive Climate Downscaling Under Temporal Distribution Shift

Sintesi Tecnica: Downscaling Climatico con Adattamento di Dominio sotto Shift della Distribuzione Temporale

Definizione del Problema
Il downscaling climatico basato sul deep learning (DL) mira a apprendere le mappature da dati climatici storici a bassa risoluzione (LR) verso dati ad alta risoluzione (HR) per generare proiezioni future dettagliate. Tuttavia, questi modelli affrontano una critica sfida di out-of-distribution (OOD) temporale. I modelli addestrati su coppie LR-HR storiche vengono spesso applicati a proiezioni climatiche future (ad esempio, scenari RCP8.5) in cui le distribuzioni marginali dei predittori e dei target sono cambiate a causa del riscaldamento antropico. Questa non stazionarietà crea uno shift di dominio in cui gli stati climatici futuri differiscono sostanzialmente dal periodo di addestramento, portando potenzialmente ad artefatti di estrapolazione, scarsa trasferibilità e grandi errori nelle estreme future. I metodi tradizionali di downscaling statistico spesso si affidano ad assunzioni di stazionarietà che falliscono in queste condizioni, mentre i modelli standard di DL addestrati esclusivamente su dati storici potrebbero non generalizzare efficacemente a regimi futuri.

Metodologia
Lo studio propone un framework di downscaling con adattamento di dominio temporale che tratta i dati climatici storici come un dominio sorgente etichettato e le proiezioni climatiche future come un dominio target non etichettato. L'approccio combina l'apprendimento supervisionato sui dati storici con l'allineamento di dominio non supervisionato per ridurre lo shift distributivo tra i due periodi.

• Architettura: Il modello principale utilizza un backbone a Rete di Attenzione di Canale Residua (RCAN). Consiste in un encoder di caratteristiche LR ($E_\theta$) basato su blocchi di attenzione di canale residua e una testa di ricostruzione residua HR ($R_\theta$). La testa di ricostruzione impiega l'upsampling pixel-shuffle e fonde variabili ausiliarie HR (elevazione e maschere terra-mare) per guidare la ricostruzione dei gradienti a scala fine guidati dalla topografia. L'output finale è una correzione residua aggiunta a un input LR interpolato bilinearmente.
• Meccanismo di Adattamento di Dominio: Per affrontare lo shift temporale, il framework incorpora una strategia di Rete Neurale Avversaria di Dominio (DANN). Durante l'addestramento, un classificatore di dominio leggero ($D_\psi$) viene collegato all'encoder per distinguere tra le rappresentazioni delle caratteristiche sorgente (storiche) e target (future). Un Layer di Inversione del Gradiente (GRL) è inserito tra l'encoder e il classificatore. Questo livello trasmette le caratteristiche invariate durante il passaggio in avanti (forward pass), ma inverte il gradiente (moltiplicato per $-\lambda$) durante la backpropagation. Questa configurazione avversaria incoraggia l'encoder a imparare caratteristiche che siano predittive per il compito di downscaling ma invarianti rispetto al dominio temporale (storico vs futuro).
• Obiettivo di Addestramento: La funzione di perdita totale combina la perdita di ricostruzione supervisionata ($L_{sup}$) sulle coppie etichettate storiche e una perdita di allineamento avversario ($L_{align}$) calcolata su entrambi gli input LR storici e futuri:
  $$L_{DA}(\theta) = L_{sup}(\theta) + \alpha L_{align}(\theta)$$
  dove $\alpha$ controlla la forza dell'allineamento. I target HR futuri sono rigorosamente esclusi durante l'addestramento e utilizzati solo per la valutazione finale.

Contributi Chiave

1. Formulazione dell'OOD Temporale nel Downscaling: Lo studio inquadra esplicitamente la sfida dell'applicazione di modelli di downscaling addestrati su dati storici a scenari di riscaldamento futuri come un problema di adattamento di dominio, affrontando la non stazionarietà delle variabili climatiche.
2. Framework Proposto: Introduce un'architettura DL specifica (RCAN-DA) che integra la ricostruzione HR supervisionata con l'allineamento di dominio temporale avversario, evitando la necessità di etichette HR future durante la fase di addestramento.
3. Valutazione Comprensiva: Il metodo è valutato attraverso tre periodi di validazione futuri (2006–2040, 2041–2070, 2071–2099) utilizzando la temperatura superficiale quotidiana nell'area contigua degli Stati Uniti (CONUS) da tre distinti accoppiamenti di simulazione GCM-RCM (CanESM2-RCA4, CanESM2-CanRCM4, EC-EARTH-RCA4).

Risultati
Gli esperimenti dimostrano che il modello di adattamento di dominio (RCAN-DA) supera costantemente i baseline statistici (BCSD, QDM, CDF-t), l'interpolazione bilineare semplice e i baseline di deep learning non adattivi (RCAN, RCAN-GAN, RCAN-QDM).

• Prestazioni Quantitative: RCAN-DA raggiunge l'Errore Quadratico Medio (MSE) e l'Errore Quadratico Medio (RMSE) più bassi e l'Indice di Similarità Strutturale (SSIM) e il Rapporto Segnale-Rumore di Picco (PSX) più elevati in tutti i periodi futuri. Il divario di prestazione si amplia man mano che lo shift della distribuzione temporale aumenta; ad esempio, nel periodo 2071–2099, RCAN-DA ha ridotto l'MSE di circa il 12% rispetto allo standard RCAN.
• Analisi Spaziale e Topografica: I miglioramenti sono più pronunciati nelle regioni ad alta elevazione e topograficamente complesse (ad esempio, le Montagne Rocciose), dove gli input GCM grossolani rappresentano scarsamente i gradienti termici locali. RCAN-DA mostra un RMSE inferiore in tutte le classi di elevazione, con i guadagni più significativi nelle fasce di elevazione più alte.
• Correlazione Spazio-Temporale: Il modello mantiene una maggiore correlazione spazio-temporale con il target HR rispetto ad altri metodi, indicando una migliore preservazione delle strutture climatiche regionali.
• Bias ed Estremi: Sebbene il modello riduca il bias della temperatura nella coda superiore rispetto al modello non adattivo, presenta ancora una sottostima di alcune temperature estreme elevate (95° percentile), suggerendo che, sebbene l'adattamento di dominio migliori la robustezza generale, la previsione di estremi mai visti rimane una sfida.

Significatività
L'articolo sostiene che inquadrare il downscaling climatico futuro come un problema di adattamento di dominio offra una via percorribile per migliorare la robustezza dei modelli DL sotto condizioni climatiche non stazionarie. Allineando le rappresentazioni storiche e future durante l'addestramento, il framework proposto migliora la trasferibilità temporale e la coerenza spaziale, fornendo un metodo più affidabile per generare proiezioni climatiche ad alta risoluzione per scenari di riscaldamento futuri. Lo studio evidenzia come tali benefici siano particolarmente critici man mano che lo shift climatico si intensifica verso la fine del secolo, dove i metodi tradizionali e i modelli standard di deep learning faticano a gestire i mismatch distributivi. Gli autori osservano che, sebbene il presente lavoro si concentri sulla temperatura all'interno di un framework di "pseudo-realtà" (GCM-RCM), l'approccio è applicabile ad altre variabili e regioni, a condizione che lo shift temporale sia sufficientemente significativo da richiedere l'adattamento, ma non così grande da causare un trasferimento negativo.