[論文レビュー] Charting the Realms of Mesoscale Cloud Organisation using Unsupervised Learning

Leif Denby|arXiv (Cornell University)|Sep 15, 2023

Meteorological Phenomena and Simulations被引用数 5

ひとこと要約

本稿では、畳み込みニューラルネットワークの内部埋め込み空間を用いて、ミクロスケールの浅い層雲の組織の全連続体を無教師深層学習フレームワークでマッピングする手法を提案する。この手法により、雲の組織が雲量の変化を超えて短波反射率に顕著な影響を与えることが明らかになった—雲量の変化を補正した後でも±1.4%の反射率変動を生じさせている—、また、時間的変化および組織的状態間の環境的要因の特定が可能になる。

ABSTRACT

Quantifying the driving mechanisms and effect on Earth's energy budget, of mesoscale shallow cloud organisation, remains difficult. Partly because quantifying the atmosphere's organisational state through objective means remains challenging. We present the first map of the full continuum of convective organisation states by extracting the manifold within an unsupervised neural networks's internal representation. On the manifold distinct organisational regimes, defined in prior work, sit as waymarkers in this continuum. Composition of reanalysis and observations onto the manifold, shows wind-speed and water vapour concentration as key environmental characteristics varying with organisation. We show, for the first time, that mesoscale shallow cloud organisation produces $\pm 1.4\%$ variations in albedo in addition to variations from cloud-fraction changes alone. We further demonstrate how the manifold's continuum representation captures the temporal evolution of organisation. By enabling study of states and transitions in organisation (in simulations and observations) the presented technique paves the way for better representation of shallow clouds in simulations of Earth's future climate.

研究の動機と目的

• 離散的分類にとどまらない、メソスケールの浅い層雲組織の全スペクトルを定量的に評価するデータ駆動的で客観的な手法の開発。
• 風速や水蒸気といった環境条件が組織の連続体にわたってどのように変化するかの特定。
• 雲量の変化とは独立して組織の放射能的影響を定量化すること。
• 多様体表現を用いて、組織的状態間の時間的変化および遷移の研究を可能にすること。
• 連続的な組織的ダイナミクスを捉えることで、気候モデルにおける雲パラメータ化の向上に資する新フレームワークの提供。

提案手法

• 衛星から得られる雲画像タイルを対象に、畳み込みニューラルネットワークを無教師学習で訓練し、雲パターンを表す100次元の埋め込み空間を学習する。
• 高次元空間に埋め込まれた低次元多様体を抽出し、すべての可能な雲組織状態を連続的なマップとして表現する。
• 従来の雲組織指標（例：Janssensら 2021年）を多様体上に投影することで、その表現の忠実性を検証する。
• 再分析データ（ERA5）および観測データ（GOES-16, CERES）を多様体上に合成し、組織の環境的要因を同定する。
• 雲システムのラグランジュ的軌道を多様体上にマッピングし、組織的状態間の時間的変化および遷移を研究する。
• 多様体の連続的表現を用いて雲量の影響を分離することで、反射率の変動を定量化する。

実験結果

リサーチクエスチョン

• RQ1 無教師表現学習を用いて、メソスケールの浅い層雲組織の全連続体をどのように客観的にマッピングできるか。
• RQ2 雲量の変化を超えて、雲組織が短波反射率にどの程度影響を与えるか。
• RQ3 風速、水蒸気、海面水温（SST）などの環境変数が、組織の連続体にわたってどのように系統的に変化するか。
• RQ4 散在する積雲からより大きな孤立した雲塊への組織的状態の遷移が、多様体上にどのように現れるか。
• RQ5 多様体表現は、実際の雲システムで観測される日周期的サイクルおよび分岐現象を捉えることができるか。

主な発見

• 無教師ニューラルネットワークの内部表現は、すべての可能なメソスケールの浅い層雲組織状態を連続的かつ低次元にマッピングする多様体を形成する。
• 多様体は組織の全連続体を捉えており、従来の定義済みのクラス（例：Sugar, Flowers, Gravel）が、非孤立なピークとして明確に現れるが、それらは明確に分離されていない。
• メソスケールの雲組織は、雲量の変化を補正した後でも、短波反射率に±1.4%の変動を引き起こし、主に光学的厚さの変化に起因する。
• より大きな孤立した積雲（Flowers）は、低対流圏安定性よりも、雲上部の湿度と下層の雲下部の湿度が低いかつ高いことに強く関連している。
• 多様体により、時間的変化の追跡が可能となり、4日間のラグランジュ的軌道において、組織の日周期的サイクルが新たな支配的状態に分岐することが明らかになった。
• 環境要因の合成結果から、強い風速と低い海面水温は、より細胞状の組織と相関しており、先行研究と整合的である。