Flow Matching for Convective-Scale Precipitation Downscaling

Resumo Técnico: Flow Matching para o Downscaling de Precipitação em Escala Convectiva

Definição do Problema
Informações climáticas de alta resolução são essenciais para avaliar impactos locais e eventos extremos, contudo, os Modelos de Circulação Global (GCMs) carecem de resolução para resolver a topografia complexa e processos convectivos de mesoescala. Embora os Modelos de Circulação Regional (RCMs) realizem o downscaling dinâmico dos resultados dos GCMs para resoluções mais finas (2–12 km), eles são computacionalmente caros, o que limita a geração de grandes conjuntos (ensembles) e a exploração de diversos cenários climáticos. O aprendizado de máquina (ML) oferece uma alternativa computacionalmente eficiente. No entanto, arquiteturas de ML determinísticas (ex: CNNs, U-Nets) frequentemente produzem saídas excessivamente suavizadas que falham em capturar a heterogeneidade espacial e a natureza de cauda pesada da precipitação. Embora os modelos de difusão tenham emergido como a abordagem generativa de estado da arte para o downscaling, este trabalho investiga o Flow Matching como um framework competitivo alternativo.

Metodologia
O estudo treina um modelo de Flow Matching para realizar o downscaling de precipitação diária de 8 km para 2 km de resolução sobre um domínio de escala convectiva centrado em Singapura.

• Dados: O modelo utiliza dados do Terceiro Estudo Nacional de Mudanças Climáticas de Singapura (V3), especificamente as simulações SINGV-RCM. A tarefa emula a segunda etapa do downscaling do V3 (8 km para 2 km) utilizando um framework de modelo imperfeito. O preditor (entrada) consiste em campos atmosféricos de 8 km (temperatura, umidade específica, componentes do vento entre 200–850 hPa e pressão ao nível do mar) juntamente com campos estáticos (orografia, máscara terra-mar). O alvo é a precipitação média diária a 2 km de resolução. O conjunto de dados é dividido temporalmente, com treinamento em 1995–2014 e 2080–2099, validação em 2040–2049 e teste em 2050–2059.
• Arquitetura do Modelo: O modelo de Flow Matching aprende a transportar amostras de uma distribuição de origem (Gaussiana padrão) para a distribuição alvo (precipitação de alta resolução) condicionada a entradas grosseiras.
  • Interpolante: É utilizado um interpolante linear: $x_t = (1-t)x_0 + tx_1$, onde $x_0$ é a origem e $x_1$ é o alvo.
  • Rede: Uma U-Net de 23 milhões de parâmetros ADM parametriza o campo de velocidade. O condicionamento é alcançado pela concatenação de preditores grosseiros upsampled, campos estáticos e o interpolante $x_t$. A rede também utiliza embeddings posicionais sinusoidais e embeddings de tempo de Fourier.
  • Treinamento: O modelo minimiza a perda de Conditional Flow Matching (CFM), regredindo a saída da rede contra o campo de velocidade condicional derivado de amostras par origem-alvo.
  • Inferência: As amostras são geradas desenhando da distribuição de origem e integrando numericamente a ODE aprendida usando o método de Heun com 50 passos (100 avaliações de rede).
• Baseline: O Flow Matching é comparado ao CPMGEM [1], um modelo de difusão baseado em score de estado da arte. O baseline utiliza 300 passos de amostragem de Euler (300 avaliações de rede).

Principais Resultados
A avaliação foca na habilidade probabilística (CRPS), estrutura espacial (FSS, SAL) e calibração de intensidade.

1. Habilidade Probabilística Geral: O Flow Matching alcança um Continuous Ranked Probability Score (CRPS) menor, de 4,59, comparado ao de 4,70 do CPMGEM, apesar de exigir apenas um terço do custo de amostragem (100 vs. 300 avaliações de rede).
2. Habilidade Espacial:
   • Fractional Skill Score (FSS): O Flow Matching supera consistentemente o CPMGEM em todos os limiares de precipitação testados (1, 10, 50 e 100 mm/dia) e em todas as escalas de vizinhança (6–130 km).
   • Pontuação SAL: O Flow Matching demonstra distribuições mais estreitas para os componentes de Estrutura (S) e Amplitude (A), indicando superior consistência na forma/tamanho dos objetos e nas quantidades totais de precipitação. A habilidade de Localização (L) é comparável entre os dois modelos, sugerindo que o Flow Matching não sofre de erros significativos de deslocamento.
3. Calibração de Intensidade: Uma limitação crítica do modelo de Flow Matching é identificada na cauda superior da distribuição de precipitação. Enquanto ambos os modelos acompanham o alvo bem em intensidades baixas a moderadas, o Flow Matching subestima eventos de precipitação intensa (a cauda superior) com mais frequência do que o CPMGEM. Isso resulta em um viés seco sistemático na média climatológica, particularmente sobre áreas marinhas, enquanto o CPMGEM permanece mais próximo da média alvo com um leve viés positivo.

Significância e Alegações
O artigo conclui que o Flow Matching é um framework generativo competitivo para o downscaling de precipitação em escala convectiva. Sua principal significância reside na capacidade de capturar a estrutura espacial de forma mais eficaz do que o baseline de difusão, alcançando pontuações de habilidade espacial mais altas com um custo computacional significativamente menor durante a inferência.

Os autores posicionam este trabalho como um "primeiro passo" para uma abordagem baseada em patches para o downscaling da grade completa de 960 × 960 do Continente Marítimo Ocidental. Eles sugerem que o Flow Matching é particularmente adequado para aplicações que exigem a geração de grandes conjuntos para caracterizar a incerteza, desde que a sub-representação das caudas de precipitação extrema seja abordada. O estudo não pretende resolver o problema da calibração de intensidade, mas destaca-o como uma área específica para melhorias futuras, ao mesmo tempo em que afirma a viabilidade geral do framework para projeções climáticas de alta resolução.