기후 다운스케일링을 위한 확률적 보간법

초록

본 논문은 전 지구 규모의 저해상도 기후 모델 출력을 지역 수준의 고해상도 기후 필드로 변환하기 위해 확률적 보간(stochastic interpolants) 프레임워크를 도입한다. 기존 지역 기후 모델(RCM)의 높은 계산 비용을 크게 낮추면서도 다변량 연합 예측과 불확실성 정량화를 제공한다. 실험 결과는 제안 방법이 최신 확산 기반 모델과 동등하거나 우수한 성능을 보이며, 미래 기후 시나리오와 새로운 모델에 대한 일반화 능력도 입증한다.

상세 분석

CDSI는 저해상도(E)SM 데이터와 고해상도(RCM) 데이터를 쌍(pair)으로 학습시켜, 두 분포 사이를 연결하는 확률적 미분 방정식(SDE)을 학습한다. 핵심 아이디어는 α(t)=1‑t, β(t)=t², σ(t)=1‑t 형태의 보간 함수를 사용해 x₀(저해상도)와 x₁(고해상도) 사이의 연속적인 경로 xₜ를 정의하고, 이 경로의 드리프트 함수 b(t, xₜ, x₀)를 신경망으로 근사한다. 학습 목표는 드리프트가 실제 전이 확률을 최소 제곱 오차로 재현하도록 하는 것이며, 이를 위해 시간 t를 Fourier 임베딩으로 변환한 후 UNet 구조에 조건부 레이어 정규화와 그룹 정규화를 적용한다.

전통적인 확산 모델은 완전한 노이즈에서 시작해 수십 단계에 걸쳐 노이즈를 제거해야 하므로 학습 난이도가 높고, 생성 과정에서 데이터 매니폴드와 멀어지는 위험이 있다. 반면 CDSI는 초기 상태가 이미 물리적으로 의미 있는 저해상도 입력이므로, 샘플링 과정이 데이터 매니폴드에 가까운 경로를 따라 진행된다. 이는 학습 효율성을 크게 향상시키고, 고해상도 변동성(예: 강수량 극단값)을 모델링하는 데 필요한 노이즈 양을 최소화한다.

조건 변수 C(위도·경도, 육지·해양 마스크, 지형 고도 등)를 동일한 공간 해상도로 확장해 드리프트 네트워크에 결합함으로써, 다변량 상호 의존성을 보존한다. 이는 단순 이미지 초해상도와 달리 물리적 일관성을 유지해야 하는 기후 다운스케일링에 필수적이다.

실험에서는 EUR‑CORDEX 영역의 12 km 해상도 HCLIM 데이터를 기준으로, CMIP6 기반 100 km ESM 출력을 입력으로 사용했다. CDSI는 20 step ODE 솔버(2차 정확도)로 샘플링하며, 각 멤버는 독립적인 브라운 운동을 통해 생성된다. 결과는 평균 절대 오차, 공간 상관계수, 극단값 재현 능력 등에서 EDM 기반 확산 모델과 비교해 동등하거나 우수했으며, 특히 연산 비용이 5‑10배 낮았다. 또한, 훈련에 사용되지 않은 미래 시나리오와 새로운 ESM 모델에 대해서도 성능 저하가 미미해, 분포 이동에 대한 강인성을 보여준다.

요약하면, CDSI는 (1) 저해상도 입력을 직접 활용해 효율적인 고해상도 샘플링을 가능하게 하고, (2) 다변량 물리적 일관성을 유지하며, (3) 기존 확산 기반 방법보다 적은 연산량으로 고품질 지역 기후 앙상블을 생성한다는 세 가지 주요 장점을 제공한다.