Flow Matching for Convective-Scale Precipitation Downscaling

Technische Samenvatting: Flow Matching voor Neerslag-downscaling op Convectieve Schaal

Probleemstelling
Hoge-resolutie klimaatinformatie is essentieel voor het beoordelen van lokale effecten en extreme gebeurtenissen, maar Mondiale Klimaatmodellen (GCM's) missen de resolutie om complexe topografie en mesoschaal convectieve processen te verklaren. Regionale Klimaatmodellen (RCM's) schalen de output van GCM's dynamisch af naar fijnere resoluties (2–12 km), maar zij zijn computationeel duur, wat de generatie van grote ensembles en de verkenning van diverse klimaatscenario's beperkt. Machine Learning (ML) biedt een computationeel efficiënt alternatief. Echter, deterministische ML-architecturen (bijv. CNN's, U-Nets) produceren vaak te gladde outputs die er niet in slagen de ruimtelijke heterogeniteit en de heavy-tailed aard van neerslag te vangen. Hoewel diffusiemodellen zijn opgekomen als de state-of-the-art generatieve benadering voor downscaling, onderzoekt dit werk Flow Matching als een competitief alternatief framework.

Methodologie
De studie traint een Flow Matching-model om dagelijkse neerslag downscaling uit te voeren van 8 km naar 2 km resolutie over een convectieve schaal domein gecentreerd rond Singapore.

• Data: Het model maakt gebruik van data van Singapore's Third National Climate Change Study (V3), specifiek de SINGV-RCM simulaties. De taak emuleert de tweede fase van de V3 downscaling (8 km naar 2 km) met behulp van een imperfect model framework. De input (predictor) bestaat uit 8 km atmosferische velden (temperatuur, specifieke vochtigheid, windcomponenten op 200–850 hPa, en zeeniveau druk) samen met statische velden (orografie, land-zee masker). De target is dagelijkse gemiddelde neerslag op 2 km resolutie. De dataset is temporeel gesplitst, met training op 1995–2014 en 2080–2099, validatie op 2040–2049, en testen op 2050–2059.
• Model Architectuur: Het Flow Matching-model leert samples te transporteren van een bronverdeling (standaard Gaussische verdeling) naar de targetverdeling (hoge-resolutie neerslag) geconditioneerd op grove inputs.
  • Interpolant: Een lineaire interpolant wordt gebruikt: $x_t = (1-t)x_0 + tx_1$, waarbij $x_0$ de bron is en $x_1$ de target.
  • Netwerk: Een 23-miljoen parameter ADM U-Net parametriseert het snelheidveld. Conditionering wordt bereikt door het concateneren van geupsamplede grove predictoren, statische velden en de interpolant $x_t$. Het netwerk maakt ook gebruik van sinusvormige positionele embeddings en Fourier tijd-embeddings.
  • Training: Het model minimaliseert de Conditional Flow Matching (CFM) loss, waarbij het netwerkoutput regresseert tegen het conditionele snelheidveld afgeleid van gepaarde bron-target samples.
  • Inference: Samples worden gegenereerd door te trekën uit de bronverdeling en de geleerde ODE numeriek te integreren met de Heun-methode met 50 stappen (100 netwerk evaluaties).
• Baseline: Het Flow Matching-model wordt vergeleken met CPGEM [1], een state-of-the-art score-gebaseerd diffusiemodel. De baseline gebruikt 300 Euler sampling stappen (300 netwerk evaluaties).

Belangrijkste Resultaten
De evaluatie richt zich op probabilische vaardigheid (CRPS), ruimtelijke structuur (FSS, SAL) en intensiteit kalibratie.

1. Algehele Probabilische Vaardigheid: Flow Matching bereikt een lagere Continuous Ranked Probability Score (CRPS) van 4.59 vergeleken met de 4.70 van CPMGEM, ondanks dat het slechts één derde van de sampling kosten vereist (100 vs. 300 netwerk evaluaties).
2. Ruimtelijke Vaardigheid:
   • Fractions Skill Score (FSS): Flow Matching presteert consistent beter dan CPMGEM over alle geteste neerslag drempelwaarden (1, 10, 50, en 100 mm/dag) en alle buurt schalen (6–130 km).
   • SAL Score: Flow Matching vertoont nauwere distributies voor de Structure (S) en Amplitude (A) componenten, wat wijst op een superieure consistentie in objectvorm/grootte en totale neerslaghoeveelheden. De Location (L) vaardigheid is vergelijkbaar tussen de twee modellen, wat suggereert dat Flow Matching geen significante verplaatsingsfouten lijdt.
3. Intensiteit Kalibratie: Een kritieke beperking van het Flow Matching-model wordt geïdentificeerd in de bovenste staart van de neerslagverdeling. Terwijl beide modellen de target goed volgen bij lage- tot matige intensiteiten, onderschat Flow Matching zware neerslagevenementen (de bovenste staart) vaker dan CPMGEM. Dit resulteert in een systematische droge bias in het klimatologische gemiddelde, met name boven mariene gebieden, terwijl CPMGEM dichter bij de target gemiddelde blijft met een lichte positieve bias.

Significantie en Claims
Het artikel concludeert dat Flow Matching een competitief generatief framework is voor neerslag-downscaling op convectieve schaal. De primaire significantie ligt in het vermogen om de ruimtelijke structuur effectiever te vangen dan de diffusie baseline, waarbij hogere ruimtelijke vaardigheidsscores worden behaald met aanzienlijk lagere computationele kosten tijdens de inference.

De auteurs positioneren dit werk als een "eerste stap" naar een patch-gebaseerde aanpak voor het downscalen van de volledige 960 × 960 grid van de Westelijke Maritieme Continentale regio. Zij suggereren dat Flow Matching bijzonder geschikt is voor toepassingen die het genereren van grote ensembles vereisen om onzekerheid te karakteriseren, mits de onderrepresentatie van extreme neerslagstaarten wordt aangepakt. De studie claimt niet het probleem van de intensiteit kalibratie op te lossen, maar benadrukt dit als een specifiek gebied voor toekomstige verbetering, terwijl zij de algehele levensvatbaarheid van het framework bevestigt voor hoge-resolutie klimaatprojecties.