ドメインアラインメントによる気候モデルの生成的教師なしダウンサイジング：風場への適用

Abstract

大循環モデル（GCM）は将来気候予測に広く用いられていますが、空間分解能が粗いことや系統的バイアスの存在により、影響評価研究に直接使うには限界があります。この制約は、風エネルギーのような風に関連する用途にとって特に重要です。そこでは、空間的に整合的（coherent）で、多変量かつ物理的に妥当な地表付近の風場が必要となります。従来の統計的ダウンスケーリングやバイアス補正の手法は、この課題を部分的に解決します。しかし、それでもなお、特に高次元の設定において、空間構造の保持、多変量間の整合性、そして気候変動下での頑健性を維持することが難しいのが現状です。近年の生成機械学習の進展は、明示的に対応付けられた低解像度・高解像度データセットを必要としないという新たな可能性を、ダウンスケーリングおよびバイアス補正にもたらしています。とはいえ、多くの既存手法は解釈が難しく、運用上の気候影響研究へ展開するのも困難です。本研究では、GCM出力から風変数を対象とした多変量ダウンスケーリングおよびバイアス補正に、解釈可能な生成・ドメインアライメントの枠組みであるSerpentFlowを適用します。本手法は、大規模な空間パターンから小規模な変動を分離することで、低解像度／高解像度の学習データ対を生成します。大規模成分は、気候モデルの領域と観測の領域の間で整合（alignment）されます。その後、条件付きの細かな変動は、フローマッチングの生成モデルを用いて学習します。このアプローチを、平均風速や最大風速、そして経度方向成分（zonal）と緯度方向成分（meridional）といった複数の風変数のダウンスケーリングに適用し、広く用いられている多変量バイアス補正手法と比較します。結果は、将来の気候条件下で空間的な整合性、多変量間の一貫性、頑健性が向上することを示しており、風およびエネルギー用途における解釈可能な生成モデルの可能性を強調しています。