[論文レビュー] A Deep Learning Earth System Model for Efficient Simulation of the Observed Climate

Nathaniel Cresswell‐Clay, Bowen Liu+5 more|arXiv (Cornell University)|Sep 24, 2024

Computational Physics and Python Applications被引用数 7

ひとこと要約

本論文は、現在の気候を正確に1000年間のロールアウトでシミュレートする、簡約な深層学習地球系モデルであるDL ESy Mを提示する。ドリフトは無視できる程度で、CMIP6の指標と同等またはそれを上回る点がいくつかあり、計算効率は飛躍的に高い。

ABSTRACT

A key challenge for computationally intensive state-of-the-art Earth System models is to distinguish global warming signals from interannual variability. Here we introduce DLESyM, a parsimonious deep learning model that accurately simulates the Earth's current climate over 1000-year periods with no smoothing or drift. DLESyM simulations equal or exceed key metrics of seasonal and interannual variability--such as tropical cyclogenesis over the range of observed intensities, the cycle of the Indian Summer monsoon, and the climatology of mid-latitude blocking events--when compared to historical simulations from four leading models from the 6th Climate Model Intercomparison Project. DLESyM, trained on both historical reanalysis data and satellite observations, is an accurate, highly efficient model of the coupled Earth system, empowering long-range sub-seasonal and seasonal forecasts while using a fraction of the energy and computational time required by traditional models.

研究の動機と目的

• 長期間のロールアウトにわたって現在の気候をシミュレートする、簡約な深層学習地球系モデル（DL ESy M）を開発する。
• 非同期的な4日間の反復を可能にするため、深層学習大気モデルと深層学習海洋モデルを結合する。
• 人為的強制力なしに現在の気候の気候学を捉えるため、歴史的再分析データと衛星データで訓練する。
• 熱帯低気圧、亜熱帯外変動、およびモンスーン系に関して、DL ESy MをCMIP6モデルとベンチマークする。
• 長期的なサブシーズンから季節予測を可能にする計算効率を示す。

提案手法

• 2つのU-Net風畳み込みニューラルネットワークが大気と海洋の予後場を予報する。
• 大気6時間ステップと海洋2日ステップを組み合わせた非同期結合で、総じて96時間のロールアウトサイクル。
• 大気は9つの予後場とSSTを結合入力として予測し、短い24時間の損失窓を使用する。
• 海洋はSSTとSST、さらに大気からの表層強制、および所定の入力セットを用いてSSTを予測し、結合には8日間の損失窓を用いる。
• 降水は直接予報されるのではなく、別個の深層学習モジュールで診断される。
• 訓練にはERA5再分析とISCCP由来のOLRを用い、場を110kmのHEALPixグリッド（約49,152点）にマッピングする。

実験結果

リサーチクエスチョン

• RQ1 簡約なDL-ESMは、1000年の反復過程でほとんどドリフトなしに現在の気候を再現できるのか？
• RQ2 DL ESy Mの気候学は、亜熱帯外変動、ブロッキング、NAM/SAMパターンについてCMIP6モデルとどう比較されるか？
• RQ3 西北太平洋の熱帯低気圧の気候学とインド夏季モンスーンの特徴をモデルは正確に再現するか？
• RQ4 短期の訓練損失にも関わらず、長期的な挙動と ENSO などの現実的なテレコネクションを信頼性高く再現できるか？
• RQ5 最先端のCMIP6規模のシミュレーションと比較したDL ESy Mの計算上の利点は何か？

主な発見

• DL ESy Mは、全球平均表面温度とSSTのほぼドリフトがない1000年のロールアウトを達成する。
• 亜熱帯外変動（NAM/SAM）とブロッキングの気候統計はERA5と同等で、多くの指標でCMIP6の過去実 runsと少なくとも同等である。
• 西北太平洋における熱帯低気圧の気候学およびインド夏季モンスーンのOLR指標は、4つのCMIP6モデルより優れている。
• DL ESy Mは観測された年周期とISM関連のOLRパターンを再現し、2週間の地域降水予測がERA5検証と一致する。
• このモデルは、1000年の計算を約12時間で1枚のNVIDIA A100 GPUで実行でき、同等解像度でのCESM2.1.5設定では約90日かかる。これにより顕著な計算効率を示す。