[論文レビュー] ACE2-SOM: Coupling an ML atmospheric emulator to a slab ocean and learning the sensitivity of climate to changed CO$_2$

Spencer K. Clark, Oliver Watt‐Meyer+7 more|arXiv (Cornell University)|Dec 5, 2024

Ocean Acidification Effects and Responses被引用数 4

ひとこと要約

ACE2-SOMは、スラブ海洋モデルと結合した機械学習型気候エミュレータ（ACE2-SOM）を導入し、CO₂強制に対する気候感受性を効率的にシミュレートする。高解像度気候モデルのデータを用いて訓練することで、放射放射フラックス、降水量、大気力学を正確に再現し、3xCO₂における平衡気候応答をわずかな計算コストで高い忠実度で再現する。

ABSTRACT

While autoregressive machine-learning-based emulators have been trained to produce stable and accurate rollouts in the climate of the present-day and recent past, none so far have been trained to emulate the sensitivity of climate to substantial changes in CO$_2$ or other greenhouse gases. As an initial step we couple the Ai2 Climate Emulator version 2 to a slab ocean model (hereafter ACE2-SOM) and train it on output from a collection of equilibrium-climate physics-based reference simulations with varying levels of CO$_2$. We test it in equilibrium and non-equilibrium climate scenarios with CO$_2$ concentrations seen and unseen in training. ACE2-SOM performs well in equilibrium-climate inference with both in-sample and out-of-sample CO$_2$ concentrations, accurately reproducing the emergent time-mean spatial patterns of surface temperature and precipitation change with CO$_2$ doubling, tripling, or quadrupling. In addition, the vertical profile of atmospheric warming and change in extreme precipitation rates up to the 99.9999th percentile closely agree with the reference model. Non-equilibrium-climate inference is more challenging. With CO$_2$ increasing gradually at a rate of 2% year$^{-1}$, ACE2-SOM can accurately emulate the global annual mean trends of surface and lower-to-middle atmosphere fields but produces unphysical jumps in stratospheric fields. With an abrupt quadrupling of CO$_2$, ML-controlled fields transition unrealistically quickly to the 4xCO$_2$ regime. In doing so they violate global energy conservation and exhibit unphysical sensitivities of and surface and top of atmosphere radiative fluxes to instantaneous changes in CO$_2$. Future emulator development needed to address these issues should improve its generalizability to diverse climate change scenarios.

研究の動機と目的

• CO₂条件の変化下でも主要な気候フィードバックを捉える計算コストが低い気候エミュレータの開発を目的とする。
• 機械学習に基づく大気エミュレータ（ACE2-SOM）をスラブ海洋モデルと結合し、平衡気候状態をシミュレートすることを目的とする。
• 放射フラックス、降水量、大気力学のCO₂強制変化に対する感受性を学習および再現することを目的とする。
• 1xCO₂および3xCO₂における高解像度気候モデルのシミュレーションと比較して、エミュレータの性能を検証することを目的とする。
• フルGCMと比較して最小限の計算オーバーヘッドで気候感受性の迅速な探索を可能とすることを目的とする。

提案手法

• 高解像度気候モデル（SHiELD-SOM）の出力データを用いて、機械学習モデル（ACE2-SOM）を訓練し、大気力学および放射プロセスをエミュレートする。
• スラブ海洋モデルを用いて海洋熱吸収および表面温度の変化を表現し、氷上陸分率および海洋分率を時間変化する入力として扱う。
• 入力変数には大気状態（温度、風、湿度）、地表面条件（2m気温、気圧）、強制力（CO₂、地形、陸地分率）が含まれる。
• モデルは、TOAおよび地表面の放射フラックス、顕熱・潜熱フラックス、500 hPa高度などの主要な診断変数を予測する。
• エミュレータは、時間平均（平均）および瞬時（スナップショット）の変数を予測するように訓練され、特に放射および水文フィードバックに焦点を当てる。
• 大気のCO₂摂動に対する非線形応答を学習することで、1xCO₂および3xCO₂強制下における平衡気候状態の迅速なシミュレーションが可能になる。

Figure 1: Histograms of daily-mean precipitation rate in C96 SHiELD-SOM (black) and ACE2-SOM (blue) in the 1xCO 2 (thin lines) and 3xCO 2 (thick lines) equilibrium climates at \qty 1 resolution.

実験結果

リサーチクエスチョン

• RQ1 機械学習型大気エミュレータは、3xCO₂強制下で放射フラックスおよび降水量をどの程度正確に再現できるか？
• RQ2 ACE2-SOMフレームワークが予測する平衡気候感受性（ECS）は、フルGCMと比較してどうなるか？
• RQ3 CO₂強制下において、大気循環の変化（例：500 hPa高度、850 hPa温度）はエミュレータがどの程度適切に捉えられるか？
• RQ4 気候変動下における水循環の構成要素（例：降水量、水蒸気パス傾斜）について、エミュレータは忠実に再現できるか？
• RQ5 機械学習エミュレータとスラブ海洋モデルの結合が、平衡気候状態の安定性および現実性にどのように影響するか？

主な発見

• ACE2-SOMは、SHiELD-SOMシミュレーションと比較して、3xCO₂強制下における平衡気候状態を高い忠実度で再現した。
• 日平均降水量ヒストограмのシフトが正しく再現されており、3xCO₂下では降水量の強度と頻度が増加していることが示された。
• TOAおよび地表面の放射フラックス（例：DSWRF、ULWRF）が正確に予測されており、放射フィードバックの適切な表現が示された。
• 500 hPaジオポテンシャル高度や850 hPa温度といった主要な大気変数が、参照シミュレーションと強く一致した。
• 顕熱および潜熱フラックスはCO₂強制に対して現実的な応答を示しており、表面エネルギー移動の適切なシミュレーションが確認された。
• このフレームワークにより、フルGCMのわずか数パーセントの計算コストで迅速な気候シミュレーションが可能となり、気候感受性研究におけるその有効性が示された。