Generating realistic global precipitation fields from modelled atmospheric circulation

Resumo Técnico: Geração de Campos de Precipitação Realistas em Escala Global a partir da Circulação Atmosférica Modelada

Declaração do Problema
A simulação precisa de precipitação em alta resolução é crítica para avaliar os impactos das mudanças climáticas, particularmente no que diz respeito a eventos extremos como inundações e secas. No entanto, os Modelos do Sistema Terrestre (ESMs) lutam para resolver explicitamente a precipitação devido a restrições computacionais. Os ESMs atuais dependem de parametrizações baseadas em colunas que aproximam processos de escala subgrade (por exemplo, convecção) independentemente para cada coluna de grade. Esses esquemas frequentemente falham em capturar interações horizontais, levando a vieses significativos, como o viés de dupla Zona de Convergência Intertropical (ITCZ), e à incapacidade de representar variabilidade espacial em escala fina e estatísticas de eventos extremos. Além disso, gerar grandes conjuntos de projeções em alta resolução é computacionalmente proibitivo ao executar modelos dinâmicos em resoluções finas.

Metodologia
Os autores propõem uma estrutura de aprendizado de máquina generativa em duas etapas que infere campos globais diários de precipitação em alta resolução (0,25°) a partir de um pequeno conjunto de variáveis atmosféricas prognósticas em baixa resolução (1°). A estrutura é treinada exclusivamente em dados de reanálise ERA5 e aplicada a saídas de ESMs via adaptação de domínio.

1. Etapa 1: Regressão Determinística (UNet)

   • Entrada: Quatro variáveis atmosféricas de 1°: umidade específica a 850 hPa, componentes zonal e meridional do vento a 10m e pressão ao nível do mar.
   • Arquitetura: Uma UNet eficiente em memória com blocos ResNet e uma única camada de atenção de gargalo.
   • Objetivo: Aprender um mapeamento determinístico do estado atmosférico grosseiro para um campo de precipitação de 1°.
   • Correção de Viés: A saída bruta da UNet herda vieses sistemáticos das entradas do ESM. Para corrigir isso, os autores aplicam o Mapeamento de Delta de Quantis (QDM) usando o período histórico (1980–2014) para alinhar a saída da UNet com a precipitação ERA5 de 1°.

2. Etapa 2: Redução de Escala Probabilística (Modelo de Difusão Condicional)

   • Entrada: O campo de precipitação de 1° corrigido pelo QDM (interpolado para 0,25°).
   • Arquitetura: Um Modelo Probabilístico de Difusão com Desruído (DDPM) baseado em uma Efficient U-Net, condicionado à precipitação grosseira.
   • Estratégia de Treinamento: O modelo é treinado para reconstruir padrões de precipitação ERA5 em alta resolução (0,25°). Crucialmente, durante o treinamento, ruído gaussiano é injetado na entrada de condicionamento de 1°. Isso força o modelo a aprender a regenerar padrões espaciais em pequena escala consistentes com as estruturas em grande escala fornecidas pela condição, em vez de simplesmente memorizar a entrada.
   • Inferência e Adaptação de Domínio: Ao aplicar o modelo a dados de ESM, o pipeline garante que a distribuição de entrada corresponda à distribuição de treinamento. Isso envolve:
     • Aplicar QDM para corrigir vieses em grande escala.
     • Interpolar para a resolução alvo.
     • Injetar a mesma magnitude de ruído gaussiano usada durante o treinamento. Esta etapa remove efetivamente as características em pequena escala suaves e enviesadas da saída do ESM, permitindo que o modelo de difusão "regenere" variabilidade realista em pequena escala consistente com as estatísticas do ERA5, enquanto preserva a dinâmica em grande escala do ESM.

Principais Resultados

• Redução de Viés: A estrutura reduz significativamente os vieses espaciais em comparação com o modelo bruto GFDL-ESM4. O viés absoluto médio cai de 0,561 mm/dia (GFDL) para 0,164 mm/dia (UNet corrigida por QDM) e ainda mais para 0,111 mm/dia (Modelo de Difusão). O método mitiga efetivamente o viés de dupla ITCZ prevalente no modelo GFDL.
• Fidelidade Estatística: O modelo de difusão reproduz com sucesso a densidade espectral de potência (PSD) espacial do ERA5, recuperando variabilidade em pequena escala (até ~100 km) que é perdida na saída grosseira do ESM. Histogramas mostram uma representação aprimorada das frequências de precipitação, particularmente para eventos extremos (>150 mm/dia), embora uma leve subestimação das caudas mais extremas permaneça.
• Geração de Conjuntos: Ao contrário de parametrizações determinísticas, o modelo de difusão gera conjuntos diversos e espacialmente consistentes. A avaliação usando a Pontuação de Probabilidade Ranqueada Contínua (CRPS) mostra que o modelo supera as linhas de base determinísticas e fornece uma representação bem calibrada da incerteza (relação dispersão-habilidade).
• Preservação de Tendências Climáticas: Quando aplicado a cenários climáticos futuros (SSP3-7.0), a estrutura preserva os sinais de mudança climática em grande escala (tendências) projetados pelo ESM, enquanto corrige estruturas espaciais em pequena escala. O modelo de difusão atenua a variância interanual unrealisticamente alta introduzida pela etapa de QDM no modelo de regressão, resultando em tendências médias globais que se alinham estreitamente com as projeções do ESM motor.
• Generalizabilidade: A abordagem foi aplicada com sucesso a um ESM diferente (MPI-ESM-HR) sem retreinamento, demonstrando robustez entre modelos com características espectrais semelhantes.

Significado e Alegações
O artigo alega apresentar uma alternativa computacionalmente eficiente às parametrizações tradicionais baseadas em colunas. Ao aproveitar o aprendizado de máquina generativo, a estrutura pode produzir campos probabilísticos de precipitação em alta resolução (0,25°) a partir de variáveis atmosféricas grosseiras em segundos, uma tarefa que seria proibitivamente cara com redução de escala dinâmica.

Os autores enfatizam que seu método:

• Desacopla escalas: Permite que modelos de impacto recebam dados de precipitação em alta resolução sem exigir que o modelo atmosférico motor seja executado nessa resolução.
• Corrige vieses: Mitiga vieses sistemáticos do ESM (como a dupla ITCZ) e restaura a variabilidade espacial em escala fina que os ESMs tipicamente borram.
• Mantém consistência: Preserva os sinais de mudança climática em grande escala projetados pelos ESMs, enquanto gera padrões em pequena escala consistentes com a reanálise observacional (ERA5).
• Oferece um novo paradigma: Demonstra que padrões complexos de precipitação podem ser aprendidos diretamente a partir de variáveis atmosféricas em grande escala, oferecendo um caminho viável para gerar grandes conjuntos de projeções climáticas em alta resolução para avaliação de riscos.

Os autores notam limitações, incluindo a suposição de que a relação estatística entre a circulação em grande escala e a precipitação em pequena escala permanece válida sob aquecimento futuro, e a falta de restrições temporais explícitas em características em pequena escala (embora a continuidade temporal em grande escala seja herdada das entradas atmosféricas). Eles reconhecem que o próprio ERA5 contém vieses, mas permanece o padrão para treinamento devido à sua cobertura global e consistência física.