[論文レビュー] Emulating Fast Processes in Climate Models

Noah Brenowitz, W. A. Perkins+7 more|arXiv (Cornell University)|Nov 19, 2022

Meteorological Phenomena and Simulations被引用数 14

ひとこと要約

本論文は、凝縮や降水といった高速な相転移を含む、完全な雲微物理パラメータ化の最初の機械学習エミュレータを提示する。グリッド点局所の多層パーセプトロンと降水用のRNNを組み合わせたハイブリッドディープラーニング手法を用い、オフラインおよびオンライン両方で高い精度を達成したが、極地方では複雑な相転移ダイナミクスと時間スケールの分離に起因してバイアスが生じた。

ABSTRACT

Cloud microphysical parameterizations in atmospheric models describe the formation and evolution of clouds and precipitation, a central weather and climate process. Cloud-associated latent heating is a primary driver of large and small-scale circulations throughout the global atmosphere, and clouds have important interactions with atmospheric radiation. Clouds are ubiquitous, diverse, and can change rapidly. In this work, we build the first emulator of an entire cloud microphysical parameterization, including fast phase changes. The emulator performs well in offline and online (i.e. when coupled to the rest of the atmospheric model) tests, but shows some developing biases in Antarctica. Sensitivity tests demonstrate that these successes require careful modeling of the mixed discrete-continuous output as well as the input-output structure of the underlying code and physical process.

研究の動機と目的

• 凝縮や降水といった急速な相転移を含む、完全な雲微物理スキームの機械学習エミュレータの開発。
• Fortranベースのパラメータ化が遅いため、より高速なML同等物に置き換えることで気候モデルの計算効率を向上。
• 保存則、グリッド点局所性、混合離散連続出力構造を尊重することで物理的一致性を確保。
• 放射と同等に計算コストが低いが、これまでエミュレーションが試みられていなかった高速大気過程におけるMLエミュレーションの可能性の検証。

提案手法

• 140 km解像度と79層の垂直階層で、FV3GFSモデルに簡略化されたZhao-Carr微物理スキームを適用し、トレーニングデータを生成。
• 温度、湿度、気圧を入力とし、網状凝縮量の変化を予測するグリッドスケール凝縮サブルーチン（gscond）をエミュレートするため、多層パーセプトロン（MLP）を訓練。
• 降水プロセス（precpd）をモデル化するために再帰型ニューラルネットワーク（RNN）を用い、降下運動を系列モデリングによって強制。
• ゼロ雲状態を検出する分類器を導入し、予測時にゼロ凝縮を強制することで物理的一致性を向上。
• 寒冷地域でのトレーニング安定化のため、温度依存の標準偏差で凝縮率を正規化。
• 全水保存則を満たすために、比湿変化を −Δgc に設定。

実験結果

リサーチクエスチョン

• RQ1 機械学習モデルは、オフラインおよびオンライン両設定で、凝縮や降水を含む完全な雲微物理スキームを正確にエミュレートできるか？
• RQ2 ゼロ雲状態や相転移といった混合離散連続出力構造は、エミュレータの性能と設計にどのように影響するか？
• RQ3 降水にRNNを用いるなどのアーキテクチャ的選択は、標準的な順方向ネットワークと比較してオンライン精度をどのように向上させるか？
• RQ4 全体的な性能は高いにもかかわらず、なぜ南極でバイアスが生じるのか？これは、時間スケールの分離が顕著なプロセスのMLエミュレーションにどのような示唆をもたらすか？
• RQ5 保存則やグリッド点局所性といった物理的制約を、ニューラルネットワークアーキテクチャにどれほど組み込むことで一般化性能が向上するか？

主な発見

• 最終的なエミュレータは、温度変化（ΔαT）に対して94.1％、凝縮物変化（Δαc）に対して93.9％のオンラインスキルを達成し、動力学コアに結合された際の優れた性能を示した。
• ゼロ雲状態およびゼロ凝縮状態を強制する分類器の導入により、7月15日の雲水分バイアスが64.2 g m⁻²から7.6 g m⁻²にまで低下し、著しく精度が向上した。
• 降水プロセスの方向性と逐次的性質をよりよくモデル化できたため、RNNは順方向ネットワークを上回るオンラインテスト性能を示した。
• モデルは南極でバイアスを示し、特に高緯度および対流圏上層部で顕著だった。これは複雑な相転移ダイナミクスと時間スケールの分離に起因すると考えられる。
• 温度帯ごとの凝縮率の適切な正規化が、寒冷地域での性能向上に寄与し、入力スケーリングへの感受性が顕著であることを示した。
• 凝縮と降水プロセスを別々にモデル化することで、オンラインスキルの向上が最も顕著に見られ、モデル設計における物理的プロセス構造の再現の重要性を強調した。