CloudFlow: A Flow Matching Model to Generate High-Resolution Cloud Structures

Motivation

• Known: 기존에는 GCM이 mesoscale 구름 조직을 명시적으로 해상하지 못하고, cloud controlling factors(CCF) 기반 분석은 물리 기반 수작업 특징을 이용해 관측 데이터로부터 구름 복사 효과를 추정해왔다. 한편 MODIS 등 위성은 약 20년간 ~1km 해상도의 고해상도 관측 기록을 축적해왔다.
• Gap: 고해상도 위성 데이터는 mesoscale 구름 패턴의 물리를 담고 있음에도 CCF 기반 접근은 coarse-scale 관측 산물에 의존해 이 정보를 대부분 활용하지 못하고 있으며, coarse-scale 대기 조건으로부터 고해상도 구름 구조를 직접 생성하는 생성 모델링 프레임워크는 부재했다.
• Why: 구름 되먹임(cloud feedback)은 미래 기후 예측의 Equilibrium Climate Sensitivity(ECS) 불확실성의 지배적 원인이며, 대기 환경 조건이 mesoscale 구름 조직 패턴과 복사 효과를 어떻게 제약하는지 이해하는 것이 기후변화 영향 예측의 핵심이다.
• Approach: 저해상도 ERA5 대기 프로파일(온도, 습도, 바람)과 land/sea mask를 조건으로 하는 U-Net 기반 conditional flow matching 모델을 구축하고, 두 가지 환경 조건 전처리 아키텍처(linear projection, cross-attention 기반 pressure-level 인코딩)를 비교한다.

Achievement

Figure 3. Comparison of the power spectra of MODIS calibrated radiances and model generations averaged over all test til

1. 고해상도 구름 생성: CloudFlow는 coarse-scale 대기 조건만으로 원본 고해상도 MODIS 장면의 스펙트럼 및 분포와 일치하는 사실적인 구름 구조를 생성함.
2. CCF 대비 우수한 재구성: 알려진 CCF를 조건 정보로 사용하는 것보다 더 나은 재구성 성능을 보임.
3. 새로운 모델링 패러다임 제시: 대기 환경 조건이 mesoscale 구름 형태에 미치는 영향을 연구할 수 있는 새로운 생성 모델링 프레임워크를 제안하여 구름 되먹임 이해에 기여할 잠재력을 보임.

How

Figure 1. CloudFlow model components. A Attention encoder: the environmental conditions in the form of ERA5 atmospheric

• 위성 데이터를 다채널 이미지 x ∈ R^(H×W×C)로 모델링하고, 대기 프로파일 c_A와 land/sea mask c_S로 구성된 환경 조건 c에 조건화
• flow matching 공식(Lipman et al., 2024; Li & He, 2025)을 따라 훈련 데이터와 노이즈 간 보간 z_t = t·x + (1−t)·ϵ 생성
• x-prediction 및 v-loss 설정 하에서 네트워크 x_θ(z_t, c, t)가 노이즈가 낀 데이터로부터 원본 데이터를 직접 예측하도록 v_θ와 v 간 손실 L 최적화
• CorrDiff 모델(Mardani et al., 2025)과 동일한 U-Net backbone 사용
• 환경 조건 전처리를 위해 (1) 대기 프로파일을 flatten 후 MLP를 통과시키는 linear transform과 (2) Aurora 모델(Bodnar et al., 2025)의 pressure-level 인코딩에서 영감을 받은 cross-attention 기반 attention transform 두 가지 아키텍처를 비교
• attention transform은 각 pressure level 변수를 pressure-level Fourier encoding과 함께 latent로 인코딩한 후 multi-head cross-attention을 적용
• 환경 조건의 latent 표현을 각 위성 데이터 픽셀에 가장 가까운 환경 조건 컬럼과 매칭시켜 H×W 해상도로 업샘플링하여 조건화 정보로 사용
• 전체 파이프라인을 flow matching objective로 end-to-end 훈련

Originality

• coarse-scale 대기 재분석 자료를 조건으로 고해상도 위성 관측 데이터를 생성하는 conditional flow matching 프레임워크를 기후과학 도메인에 최초로 적용
• CCF 기반 수작업 특징 대신 원시 대기 프로파일 전체를 조건으로 사용하여 고해상도 정보 손실을 최소화
• Aurora 모델의 pressure-level cross-attention 인코딩 아이디어를 flow matching 조건화 메커니즘에 접목하여 대기 프로파일 구조를 효과적으로 포착
• CorrDiff의 downscaling U-Net backbone을 재해석하여 위성 구름 관측 생성 문제에 적용

Limitation & Further Study

• 초기 평가(initial evaluation) 단계로 제시되어 있어, 다양한 지역·계절·구름 유형에 대한 일반화 성능 검증이 부족함
• CCF 대비 성능 비교가 제한적 지표(스펙트럼, rank histogram 등)에 국한되어 실제 구름 되먹임 추정치 개선으로 이어지는지에 대한 직접적 검증이 필요함
• linear transform과 attention transform 두 아키텍처 간 정량적 비교가 본문 발췌에서 충분히 제시되지 않아 어떤 조건화 방식이 더 우수한지 불명확함
• 후속 연구로 실제 기후 모델과의 결합, 장기 시계열에 대한 적용, 물리적 일관성 검증(예: 에너지 보존) 등이 필요할 것으로 보임

Evaluation

총평: 기후과학에서 오랫동안 활용되지 못한 고해상도 위성 관측 데이터를 생성 모델링에 접목하여 구름 되먹임 이해에 새로운 도구를 제공하는 참신하고 의미 있는 연구이나, 워크숍 논문 특성상 검증이 초기 단계에 머물러 있어 향후 보다 엄밀한 평가가 필요하다.