디퓨전 후류 샘플링을 이용한 제로샷 통계적 하향 스케일링

Zero-Shot Statistical Downscaling via Diffusion Posterior Sampling

기존의 지도 학습 기반 기후 하향 스케일링은 학습 데이터의 부족과 재분석 데이터와의 고유한 도메인 격차로 인해 글로벌 기후 모델(GCM)로의 일반화에 어려움을 겪습니다. 한편, 현재의 제로샷 방법은 큰 스케일링 계수에서 물리적 불일치 및 기울기 소실 문제를 겪습니다. 본 연구에서는 학습 과정에서 쌍을 이루는 데이터 없이 통계적 하향 스케일링을 수행하는 제로샷 프레임워크인 Zero-Shot Statistical Downscaling (ZSSD)를 제안합니다. ZSSD는 재분석 데이터를 통해 학습된 물리적으로 일관성 있는 기후 사전 지식을 활용하며, 물리적 타당성을 확보하기 위해 지리적 경계 및 시간 정보를 조건으로 사용합니다. 또한, 다양한 GCM에 걸쳐 견고한 추론을 가능하게 하기 위해 Unified Coordinate Guidance를 도입했습니다. 이 전략은 기본적인 DPS의 기울기 소실 문제를 해결하고, 대규모 필드와의 일관성을 보장합니다. 실험 결과, ZSSD는 기존의 제로샷 방법보다 99번째 백분위수 오류에서 상당한 성능 향상을 보였으며, 열대 저기압과 같은 복잡한 기상 현상을 다양한 GCM에 걸쳐 성공적으로 재구성했습니다.

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.