확산 사후 샘플링을 이용한 제로샷 통계적 상세화

Zero-Shot Statistical Downscaling via Diffusion Posterior Sampling

기존의 지도 학습 기반 기후 상세화(Downscaling)는 훈련 데이터 쌍(pair)의 부족과 재분석(reanalysis) 데이터 대비 내재적인 도메인 격차로 인해 전지구 기후 모델(GCM)에 일반화하는 데 어려움이 있다. 한편, 현재의 제로샷 방법론들은 큰 스케일링 비율 하에서 물리적 불일치와 기울기 소실 문제를 겪고 있다. 본 논문에서는 훈련 중 쌍 데이터 없이 통계적 상세화를 수행하는 제로샷 프레임워크인 ZSSD(Zero-Shot Statistical Downscaling)를 제안한다. ZSSD는 물리적 타당성을 보장하기 위해 지리적 경계 및 시간 정보에 조건부화되어 재분석 데이터로부터 학습된 '물리적 일관성 기후 사전 분포(Physics-Consistent Climate Prior)'를 활용한다. 또한, 다양한 GCM에 걸쳐 강건한 추론을 가능하게 하기 위해 '통합 좌표 유도(Unified Coordinate Guidance)'를 도입한다. 이 전략은 기존 DPS의 기울기 소실 문제를 해결하고 대규모 필드와의 일관성을 보장한다. 실험 결과, ZSSD는 99분위수 오차에서 기존 제로샷 베이스라인 성능을 크게 상회하였으며, 이질적인 GCM 전반에 걸쳐 열대 저기압과 같은 복잡한 기상 현상을 성공적으로 재구성함을 확인하였다.

Conventional supervised climate downscaling struggles to generalize to Global Climate Models (GCMs) due to the lack of paired training data and inherent domain gaps relative to reanalysis. Meanwhile, current zero-shot methods suffer from physical inconsistencies and vanishing gradient issues under large scaling factors. We propose Zero-Shot Statistical Downscaling (ZSSD), a zero-shot framework that performs statistical downscaling without paired data during training. ZSSD leverages a Physics-Consistent Climate Prior learned from reanalysis data, conditioned on geophysical boundaries and temporal information to enforce physical validity. Furthermore, to enable robust inference across varying GCMs, we introduce Unified Coordinate Guidance. This strategy addresses the vanishing gradient problem in vanilla DPS and ensures consistency with large-scale fields. Results show that ZSSD significantly outperforms existing zero-shot baselines in 99th percentile errors and successfully reconstructs complex weather events, such as tropical cyclones, across heterogeneous GCMs.