EnScale：適切なスコアリング則による、時系列整合性を備えた多変量生成型ダウンスケーリング

要旨: 全球大循環モデル（GCM）の将来気候予測を実務に活用することは、しばしばそれらの粗い空間解像度によって制限され、高解像度データを生成するためにダウンスケーリングが必要となります。地域気候モデル（RCM）はこの精緻化を可能にしますが、計算コストが高くつきます。この問題に対処するため、機械学習（ML）モデルは、粗いGCM出力から高解像度の場へ写像するダウンスケーリング関数を学習できます。その中でも生成的アプローチは、粗視化したGCMデータが与えられたときのRCMデータの条件付き分布全体を捉えることを目指しますが、これは大きな変動性によって特徴づけられており、正確にモデル化するのが困難です。私たちは、複数のGCMと対応するRCMデータの組を用いて学習することで、GCMからRCMへのマップ全体を模倣する生成的MLフレームワークEnScaleを提案します。まず、GCMと粗視化されたRCMデータとの間に存在する大規模な不一致を調整し、続いて超解像ステップによって高解像度の場を生成します。高次元の出力を効率的にモデル化するために、超解像ステップでは、独自の疎な局所確率層の新しいクラスを用います。これら2つのステップはいずれも、適切なスコアリングルールであるエネルギースコアを最適化して生成モデルを学習します。最先端のMLダウンスケーリング手法と比べて、本設定は計算コストを約1桁低減します。EnScaleは、中央ヨーロッパにおいて、温度、降水、太陽放射、風の複数変数を空間的に整合した形で同時にエミュレートします。さらに、時間的整合性を可能にするダウンスケーリングを行うEnScale-tのバリアントも提案します。較正、空間および時間構造、極端現象、多変量の依存関係を含むさまざまなカテゴリにまたがって、包括的な評価フレームワークを構築します。多様なベンチマークとの比較により、EnScale（-t）は競争力のある性能と計算効率を示し、正確で時間的に整合したRCMのエミュレーションに向けた有望なアプローチを提供します。