Diffusion models for climate downscaling

Abstract

Diffusion models are a type of deep learning method applicable for generating high-quality image data. They have also been proven suitable for super-resolution tasks, where low-resolution inputs are transformed to high-resolution outputs. Diffusion models are trained to generate samples from Gaussian noise by learning to reverse a noising, or diffusion, process. Flow matching is another technique related to diffusion, where the data is linearly transformed from the input distribution to achieve the target sample. Climate downscaling refers to a model aiming to improve the resolution of coarse climate data. These models can be used to gain more detailed information from coarse climate inputs, such as predictions of future climate scenarios. In this thesis, a climate downscaling method was implemented using both diffusion models and flow matching. For temperature data, both methods proved efficient, with flow matching achieving the lowest error. For more complex atmospheric water data, the initial experiments were also comparable to baseline solutions. Additionally, suitable physical constraints were found for both models, resulting in moderate improvements in the error. These generative models show potential for being applied to larger-scale climate downscaling.

Diffuusiomallit ovat syväoppimismenetelmä, jonka avulla voidaan esimerkiksi luoda korkea-laatuisia kuvia. Niitä voidaan käyttää myös superresoluutioon, jossa matalan tarkkuuden syötteestä muunnetaan korkeatarkkuuksinen. Diffuusiomallit koulutetaan generoimaan näytteitä normaalijakautuneesta kohinasta käänteisen kohinan syötyön, eli diffuusioprosessin, avulla. Virtausten sovitus (engl. Flow Matching) on diffuusiomallien kaltainen tekniikka, jossa data pyritään muuntamaan lähtöjakaumasta lineaarisen muunnoksen avulla haluttuun jakaumaan. Karkean ilmastodatan tarkkuutta voidaan parantaa erilaisten mallien avulla. Näiden mallien avulla saadaan tarkempaa informaatiota karkeasta ilmastodatasta, kuten tulevaisuutta mallintavista skenaarioista. Tässä diplomityössä kehitettiin ilmastodatan tarkennusmalli sekä diffuusiomallin, että virtausten sovituksen avulla. Mallit olivat suorituskykyisiä lämpötiladatalle, ja virtausten sovitukse tekniikalla saatiin alhaisin havaintovirhe. Myös ilmakehän veden määrää käytettiin muuttujana, joka osoittautui lämpötilaa vaikeaselkoisemmaksi. Tällakin datalla saadut alustavat tulokset ovat vertailukelpoisia perusmallien kanssa. Lisäksi, kummalekin mallille saatiin sovitettua fysikaalisia rajoitteita, joiden avulla mallin tuottamaa tulosta voitiin edelleen parantaa. Nämä generatiivisiet mallit osoittavat potentiaalia myös suuremman kokoluokan ilmastodatan tarkennukseen.