[論文レビュー] Deep Learning Based Cloud Cover Parameterization for ICON

Arthur Grundner, Tom Beucler+4 more|arXiv (Cornell University)|Dec 21, 2021

Climate variability and models被引用数 7

ひとこと要約

本研究では、ストーム解像度のシミュレーションデータを用いて、ICON気候モデルにおける雲量パラメータライゼーションを深層学習ベースで開発・評価する。グローバルおよび地域的な粗粒度の大気データを用いて訓練された、垂直局所性の仮定が異なる3つのニューラルネットワークアーキテクチャが、サブグリッドスケールの雲量を正確に予測する。グローバルに訓練されたモデルは地域データへも一般化可能である。SHAP解釈性分析により、特定の湿度と雲氷に過剰に依存していることが明らかになり、局所的学習パターンとモデル誤差の原因が特定された。

ABSTRACT

A promising approach to improve cloud parameterizations within climate models and thus climate projections is to use deep learning in combination with training data from storm-resolving model (SRM) simulations. The ICOsahedral Non-hydrostatic (ICON) modeling framework permits simulations ranging from numerical weather prediction to climate projections, making it an ideal target to develop neural network (NN) based parameterizations for sub-grid scale processes. Within the ICON framework, we train NN based cloud cover parameterizations with coarse-grained data based on realistic regional and global ICON SRM simulations. We set up three different types of NNs that differ in the degree of vertical locality they assume for diagnosing cloud cover from coarse-grained atmospheric state variables. The NNs accurately estimate sub-grid scale cloud cover from coarse-grained data that has similar geographical characteristics as their training data. Additionally, globally trained NNs can reproduce sub-grid scale cloud cover of the regional SRM simulation. Using the game-theory based interpretability library SHapley Additive exPlanations, we identify an overemphasis on specific humidity and cloud ice as the reason why our column-based NN cannot perfectly generalize from the global to the regional coarse-grained SRM data. The interpretability tool also helps visualize similarities and differences in feature importance between regionally and globally trained column-based NNs, and reveals a local relationship between their cloud cover predictions and the thermodynamic environment. Our results show the potential of deep learning to derive accurate yet interpretable cloud cover parameterizations from global SRMs, and suggest that neighborhood-based models may be a good compromise between accuracy and generalizability.

研究の動機と目的

• ICON気候モデルにおけるサブグリッドスケールの雲量の正確で解釈可能な深層学習パラメータライゼーションの開発を目的とする。
• グローバルに訓練されたニューラルネットワークが、地域的ストーム解像度シミュレーションデータへ一般化する性能を評価することを目的とする。
• 雲量予測のためのニューラルネットワーク設計における垂直局所性の役割を調査することを目的とする。
• SHAP解釈性を用いて、ニューラルネットワーク内の特徴量の重要度とモデル誤差の原因を診断することを目的とする。
• 周辺型モデルが、柱型モデルと比較して、精度と一般化性能のトレードオフをより良く満たすかどうかを評価することを目的とする。

提案手法

• 3つの異なるニューラルネットワークアーキテクチャを訓練する：完全な垂直局所性を仮定する（柱型）、限定的な垂直コンテキストを仮定する（周辺型）、垂直局所性を仮定しない（グローバル）。
• 訓練データは、高解像度のICONストーム解像度シミュレーション（グローバルなQUBICCおよび地域的NARVAL）の粗粒度出力から得られる。
• モデルは、温度、気圧、比湿、雲氷などの粗粒度の大気状態変数から、雲体積分率および雲面積分率を予測する。
• SHapley Additive ExPlanations（SHAP）を用いて、モデルの予測を入力特徴量に帰属づけ、誤差の分解とモデル間比較を可能にする。
• モデルの性能は、元のストーム解像度シミュレーションからの真値と比較することで評価される。
• SHAP分析のためのバックグラウンドデータセットを構築し、特徴量の重要度をモデル間で信頼性高く比較できるようにする。

実験結果

リサーチクエスチョン

• RQ1 粗粒度の大気シミュレーションデータを用いて訓練された深層ニューラルネットワークは、ICONモデルにおけるサブグリッドスケールの雲量を正確に再現できるか？
• RQ2 ニューラルネットワークアーキテクチャにおける垂直局所性の度合いが、異なる空間領域における予測精度と一般化性能に与える影響は何か？
• RQ3 グローバルに訓練されたニューラルネットワークが、異なるモデル設定を持つ地域的シミュレーションへ一般化できる程度はどの程度か？
• RQ4 ニューラルネットワークはどの大気変数に最も依存しており、その依存度はモデル誤差とどのように関係しているか？
• RQ5 SHAPベースの解釈性は、地域的およびグローバルに訓練されたモデル間で、特徴量の重要度に系統的な差を明らかにできるか？

主な発見

• 3つのニューラルネットワークアーキテクチャは、訓練データの地理的特性と一致する粗粒度データから、サブグリッドスケールの雲量を正確に推定する。
• グローバルに訓練されたニューラルネットワークは、地域的ストーム解像度シミュレーションにおける雲量予測に成功し、強力な転送性を示した。
• SHAP分析により、柱型ニューラルネットワークが特定の湿度と雲氷に過剰に依存しており、グローバルデータから地域データへの一般化を制限していることが明らかになった。
• 解釈性ツールにより、地域的およびグローバルに訓練された柱型モデルは、類似した特徴量の重要度パターンを示し、雲量予測が局所的な熱力学的環境と強く関連していることが分かった。
• 本研究では、周辺型モデルが、純粋な柱型モデルと比較して、精度と一般化性能のバランスをより良く果たす可能性があると示唆された。
• 結果として、深層学習が、気候モデルへの統合に適した正確で解釈可能かつ転送可能な雲量パラメータライゼーションを生成できることを示した。