[論文レビュー] ACE2: Accurately learning subseasonal to decadal atmospheric variability and forced responses

Oliver Watt‐Meyer, Brian Henn+7 more|arXiv (Cornell University)|Nov 18, 2024

Underwater Acoustics ResearchEarth and Planetary Sciences被引用数 3

ひとこと要約

ACE2は、1940年から2020年までの1°解像度および6時間頻度で、サブシーザンスルからデケーダルスケールの気象変動および強制応答を正確にシミュレートできる450Mパラメータの自己回帰的機械学習エミュレータである。全球のドライエアマスおよび水分を保存し、長期間にわたり安定した統合（1日あたり1500年分のシミュレーション）を可能にし、マディン・ジュリアン・オシレーション、熱帯低気圧、エルニーニョに伴う大気応答および長期的温暖化トレンドといった主要な現象を再現する。

ABSTRACT

Existing machine learning models of weather variability are not formulated to enable assessment of their response to varying external boundary conditions such as sea surface temperature and greenhouse gases. Here we present ACE2 (Ai2 Climate Emulator version 2) and its application to reproducing atmospheric variability over the past 80 years on timescales from days to decades. ACE2 is a 450M-parameter autoregressive machine learning emulator, operating with 6-hour temporal resolution, 1° horizontal resolution and eight vertical layers. It exactly conserves global dry air mass and moisture and can be stepped forward stably for arbitrarily many steps with a throughput of about 1500 simulated years per wall clock day. ACE2 generates emergent phenomena such as tropical cyclones, the Madden Julian Oscillation, and sudden stratospheric warmings. Furthermore, it accurately reproduces the atmospheric response to El Niño variability and global trends of temperature over the past 80 years. However, its sensitivities to separately changing sea surface temperature and carbon dioxide are not entirely realistic.

研究の動機と目的

• サブシーザンスルからデケーダルスケールの時間スケールで、大気の変動および強制応答を正確にシミュレートできる機械学習気候エミュレータの開発を目的とする。
• 大気のドライエアマスおよび大気中の水分の正確な保存を保証し、エミュレータの長期的かつ安定した統合を可能にする。
• 再解析データ（ERA5）および物理ベースのモデル出力（SHiELD）の両方を用いてモデルを訓練し、強靭性および一般化能力を確保する。
• エミュレータが観測された気候トレンド、ENSO応答、および出現的気象現象をどれだけ正確に再現できるかを評価する。
• モデルが、アンサンブル探索やシナリオ補間を含む、効率的な気候シミュレーションおよび分析に使用可能であることを示す。

提案手法

• ACE2は、大気状態変数から2ステップ先（6時間先）を予測するように学習された、450Mパラメータの自己回帰的トランスフォーマー型モデルである。
• モデルは1°の水平解像度と8層の垂直層を有し、ユーザー指定の海表面温度（SST）およびCO2境界条件を用いた6時間ごとの時間ステップで動作する。
• アーキテクチャおよび損失関数の設計により、全球のドライエアマスおよび大気中の水分の正確な保存を強制する。
• 2つのデータセットを用いてモデルを訓練する：ERA5再解析（1940–1995年、2011–2019年）およびAMIPスタイルのSHiELDシミュレーション（1940–2020年）。
• チェックポイント選定は、時間平均および年間平均変数のグローバルRMSEおよびR²指標を用いた気候スキルに基づく。
• 評価には、ENSO応答の正確性を評価するため、大気変数をニーニョ3.4インデックスに対して回帰分析を実施する。

Figure 1: Global- and annual-mean series for a) 2-meter air temperature and c) total water path over 81-year evaluations of ACE2-ERA5 and ACE2-SHiELD. For each ACE2 evaluation, a three-member initial condition (IC) ensemble of the model (each initialized one day apart) is shown in solid lines, and t

実験結果

リサーチクエスチョン

• RQ1 機械学習エミュレータは、数日から数十年のスケールにわたり、大気の変動を正確にシミュレートできるか？
• RQ2 モデルは、観測されたエルニーニョ＝サウス・オシャーナル・オシレーション（ENSO）変動への大気応答を再現できるか？
• RQ3 過去80年間における長期的全球平均気温トレンドおよび全水路（total water path）の変化をモデルは捉えられるか？
• RQ4 長期間の統合において、モデルは質量および水分をどれほど正確に保存するか？
• RQ5 モデルは、熱帯低気圧や突然の成層圏温暖化といった出現的気象現象をどれほど正確に生成できるか？

主な発見

• ACE2は、1日あたり約1500年分のシミュレーションが可能であり、長期間の気候シミュレーションを効率的に行える。
• エルニーニョ変動への大気応答を正確に再現しており、主要な変数について、グローバル面積加重RMS差が応答マップで0.5 K未満である。
• 参照データセットと比較して、全球平均気温および全水路の長期トレンドをR²値0.95以上で捉えている。
• ACE2は、熱帯低気圧、マディン・ジュリアン・オシレーション、突然の成層圏温暖化といった出現的現象を生成する。
• 長期間の統合において、全球のドライエアマスおよび大気中の水分を正確に保存しており、任意のステップ数にわたり安定した前方シミュレーションが可能である。
• 物理ベースのSHiELDと比較すると、ACE2は1°解像度で約100倍速く、エネルギー消費は700倍少ない。また、粗い解像度のC24 SHiELDシミュレーションと比較しても、約50倍速く、25倍少ないエネルギー消費である。

Figure 2: a) - c): Zonal- and time-mean for ACE2 (solid) and its reference datasets (dashed) over test period spanning 2001-01-01 to 2010-12-31, for selected variables. d) - f): ACE2-ERA5 time-mean biases over this time period. g) - i): ACE2-SHiELD time-mean biases over this time period. Results for