[論文レビュー] Coupled Ocean-Atmosphere Dynamics in a Machine Learning Earth System Model

Chenggong Wang, Michael S. Pritchard+6 more|arXiv (Cornell University)|Jun 12, 2024

Computational Physics and Python Applications被引用数 11

ひとこと要約

Ola AI/ML 結合地球システムモデルは SFNO によって海洋と大気のダイナミクスを独立に学習し、6-month ensemble forecasts を可能にし、現実的な海洋波および地下構造を伴う ENSO のような変動を捉えます。

ABSTRACT

Seasonal climate forecasts are socioeconomically important for managing the impacts of extreme weather events and for planning in sectors like agriculture and energy. Climate predictability on seasonal timescales is tied to boundary effects of the ocean on the atmosphere and coupled interactions in the ocean-atmosphere system. We present the Ocean-linked-atmosphere (Ola) model, a high-resolution (0.25°) Artificial Intelligence/ Machine Learning (AI/ML) coupled earth-system model which separately models the ocean and atmosphere dynamics using an autoregressive Spherical Fourier Neural Operator architecture, with a view towards enabling fast, accurate, large ensemble forecasts on the seasonal timescale. We find that Ola exhibits learned characteristics of ocean-atmosphere coupled dynamics including tropical oceanic waves with appropriate phase speeds, and an internally generated El Niño/Southern Oscillation (ENSO) having realistic amplitude, geographic structure, and vertical structure within the ocean mixed layer. We present initial evidence of skill in forecasting the ENSO which compares favorably to the SPEAR model of the Geophysical Fluid Dynamics Laboratory.

研究の動機と目的

• 季節予測のための完全に結合した ML 海洋大気モデルの実現可能性を示す。
• Ola が ENSO を含む現実的な結合海洋大気ダイナミクスと熱帯波を学習するかを評価する。
• 地下海洋構造と表層フィードバックを再現するモデルの能力を評価する。
• Ola の ENSO 予測を物理ベースのベースライン（GFDL-SPEAR）と比較し、バイアスを評価する。

提案手法

• SFNO に基づく2つのニューラルコンポーネントが大気(F^A)と海洋(F^O)を0.25°解像度で別々にモデル化。
• Ola は選択された境界変数を介して大気と海洋を結合する：SST が大気に供給される；近表層風、2m 温度、および平均海水面気圧が海洋に供給される。
• 大気タイムステップは 24 時間、海洋は 48 時間。
• 学習には大気に ERA5、海洋に UFS-replay を使用し、海洋変数の陸地処理用マスクを用いる。
• 自己回帰的結合は A_t+Δt = F^A[A_t, Ō_t, Z_t] および O_t+Δt' = F^O[Ō_t, Ã_t, Z_t] を進化させ、Ω と A は部分観測状態ベクトルであり Z_t は太陽天頂角を符号化する。
• 予測は Lagged Ensemble Forecasting (LEF) により生成される：月次初期化された 12 のアンサンブル member を 6 か月へ展開。

実験結果

リサーチクエスチョン

• RQ1 完全にデータ駆動の結合大気-海洋モデルが季節タイムスケールで ENSO ダイナミクスと熱帯海洋波活動を学習・再現できるか？
• RQ2 Ola モデルは地下温度異常や鉛直分布を含む現実的な3D ENSO 構造を示すか？
• RQ3 Ola の ENSO スキルと熱帯偏りは GFDL-SPEAR のような物理ベースのベースラインと比べてどうか？
• RQ4 高緯度での長期漂移を含む主な偏りと制約は何か、どのように緩和できるか？
• RQ5 ML ベースの結合が、伝統的なサブグリッド偏り（例: double ITCZ、熱帯寒潮域）を抑える可能性はどの程度か？

主な発見

• Ola は中央熱帯太平洋の SST 変動を現実的に生成し、6-month forecast でエル Niño およびラ Niña の両方を生み出せる。
• Ola は SSH 異常に沿った赤道帯ケルビン波および赤道外ロスビー波動の現実的な位相速度を伴う定性的に現実的なダイナミクスを示す。
• Ola の El Niño/La Niña の組み合わせは、水平範囲と地下温度構造の点で観測と類似しており、特に中部太平洋の強調がみられる。
• 大気の組成は El Niño および La Niña に関連する平均海面水圧パターンを示すが、検証年が限られているためノイズが多い。
• Ola は GFDL-SPEAR と比較して tropical 偏りが substantially 小さく、特に tropical drift が欠如するが、高緯度漂移と長期的安定性の問題は存在する。
• モデルは 1 台の A100 GPU で 6 か月間の結合大気-海洋状態を 1 分未満で予測でき、従来モデルに比べて桁違いの高速化を実現する。