확산 모델(Diffusion Approaches)을 이용한 지역 기후 모델 에뮬레이션: 생성형 머신러닝의 부가가치는 무엇인가?

에뮬레이터(Emulators)는 지역 기후 모델(RCMs)의 역학적 다운스케일링(dynamical downscaling) 기능을 포착함으로써 비용 효율적인 대안을 제공합니다. 이들은 전지구 기후 모델(GCMs)에 의해 시뮬레이션된 대규모 예측 인자(predictors)를 RCM이 시뮬레이션한 대상 변수(여기서는 강수량)의 고해상도 장(fields)과 연결합니다. 일반적으로 딥러닝(deep learning)을 사용하는 머신러닝(machine learning) 방법은 계산 시간과 에너지 측면에서 RCM을 실행하는 것보다 저렴합니다. 그중에서도 생성 모델(generative models)은 예측 인자와 일치하는 국지적 고해상도 장의 앙상블(ensembles)을 시뮬레이션할 수 있기 때문에 매력적입니다. 우리가 불확실성 포락선(uncertainty envelope)이라고 부르는 이 앙상블의 부가가치(added value)에 대해서는 아직 적절한 평가가 이루어지지 않았습니다. 본 연구에서는 세 가지 기여를 합니다. 첫째, 새로운 2단계 확산 기반 프레임워크인 ParamDiffusion을 소개하고 이를 최첨단 확산 접근 방식(diffusion approach)과 비교합니다. 둘째, 극한 상황을 포함한 특정 강수 이벤트를 조사함으로써 기후 과학의 요구에 맞춘 포괄적인 프레임워크를 통해 표준 검증을 확장합니다. 셋째, 이 프레임워크 내에서 결정론적 방법(deterministic methods) 대비 확산 접근 방식의 부가가치를 평가합니다. 우리는 네 가지 딥러닝 모델을 상호 비교합니다: 강수 꼬리(precipitation tail)를 포착하도록 설계된 결정론적 모델, 이를 기반으로 한 매개변수적 확률 모델(parametric probabilistic model), 최근 제안된 확산 접근 방식, 그리고 매개변수 모델과 확산 모델을 결합한 ParamDiffusion입니다. 연구 결과, 확산 기반 접근 방식은 공간적으로 상세한 장을 생성하는 동시에 분포의 꼬리와 공간적으로 복합된 극한 상황(spatially compounded extremes)을 포함하여 기후학적 강수 통계치를 높은 숙련도로 재현함을 보여줍니다. 그러나 평가된 모델 중 어떤 것도 RCM이 시뮬레이션한 가장 극단적인 이벤트를 불확실성 포락선 내에 일관되게 포함시키지는 못했습니다. 따라서 확산 모델은 확률적 RCM 에뮬레이션에 유망하지만, 고영향 강수 극한 상황(high-impact precipitation extremes)을 신뢰성 있게 표현하기 위해서는 여전히 발전이 필요합니다.