[論文レビュー] Learning bias corrections for climate models using deep neural operators

Aniruddha Bora, Khemraj Shukla+4 more|arXiv (Cornell University)|Feb 7, 2023

Climate variability and models被引用数 6

ひとこと要約

本論文は、気候モデルにおけるバイアス補正ナッティングモジュールを置き換えるために、自己符号化器に基づく潜在空間圧縮を組み込んだディープオペレーターネットワーク（DeepONet）を提案する。E3SMv2シミュレーションをERA5再解析データにナッティングさせたデータで学習することで、ゾナリスおよびミリディアン風のナッティング傾向を高い精度で予測し、相関係数 >0.7 を達成し、ハリケーン・サンディの軌道を正確に再現した。これは、一般化性能が高く、地球システムモデルにおけるオンライン導入の可能性を示している。

ABSTRACT

Numerical simulation for climate modeling resolving all important scales is a computationally taxing process. Therefore, to circumvent this issue a low resolution simulation is performed, which is subsequently corrected for bias using reanalyzed data (ERA5), known as nudging correction. The existing implementation for nudging correction uses a relaxation based method for the algebraic difference between low resolution and ERA5 data. In this study, we replace the bias correction process with a surrogate model based on the Deep Operator Network (DeepONet). DeepONet (Deep Operator Neural Network) learns the mapping from the state before nudging (a functional) to the nudging tendency (another functional). The nudging tendency is a very high dimensional data albeit having many low energy modes. Therefore, the DeepoNet is combined with a convolution based auto-encoder-decoder (AED) architecture in order to learn the nudging tendency in a lower dimensional latent space efficiently. The accuracy of the DeepONet model is tested against the nudging tendency obtained from the E3SMv2 (Energy Exascale Earth System Model) and shows good agreement. The overarching goal of this work is to deploy the DeepONet model in an online setting and replace the nudging module in the E3SM loop for better efficiency and accuracy.

研究の動機と目的

• 従来のナッティング手法に代わるデータ駆動型の代替モデルを用いることで、低分解能気候モデルにおけるバイアス補正の精度と効率を向上させること。
• 深層学習を用いて、高次元的で低コherentlyなナッティング傾向を学習する課題に取り組むこと。
• ニューラルオペレータ理論を活用することで、既存のデータ駆動型バイアス補正手法を凌駕する一般化能力を向上させること。
• E3SMのシミュレーションループに統合可能な代替モデルを学習することで、バイアス補正をオンラインで実行可能にする。

提案手法

• 本手法は、空間的・時間的座標における前ナッティング大気状態（関数的入力）からナッティング傾向（関数的出力）へのマッピングをDeepONetが学習する。
• 高次元の入力（ナッティング前の状態）と出力（ナッティング傾向）を低次元の潜在空間に圧縮するために、畳み込み自己符号化器（AED）を適用する。
• DeepONetは、3時間ごとのERA5再解析データにナッティングされたE3SMv2シミュレーションで学習され、時間の整合性を確保するために時間内挿補間が用いられる。
• 自己符号化器の潜在表現が、それぞれDeepONetのブランチネットワークとトランクネットワークの入力として使用され、オペレータマッピングをモデル化する。
• 訓練済みのデコーダーネットワークを用いて、物理空間に再構成することで、最終的なナッティング傾向予測が得られる。
• モデルは、2012年のハリケーン・サンディをカバーする領域（10N–80N、120W–50W）を対象として検証され、相関係数と空間的整合性の両面で評価される。

Figure 1: A block diagram showing high level view of the autoencoder. Here $\psi_{bf}(z,\bar{x},\bar{y},t)$ and $\psi_{ndg}(z,\bar{x},\bar{y},t)$ are the input to the encoders $Encoder_{bf}$ (encoder for before nudged data) and $Encoder_{ndg}$ (encoder for nudging tendency) respectively. $\hat{\psi}

実験結果

リサーチクエスチョン

• RQ1 データ駆動型代替モデルとしてのDeepONetは、低分解能気候シミュレーションのバイアス補正に必要な複雑で高次元のナッティング傾向を正確に学習できるか？
• RQ2 DeepONetフレームワークに自己符号化器を統合することで、気候モデルのバイアス補正における学習効率と精度がどのように向上するか？
• RQ3 DeepONetモデルは、ハリケーン・サンディのような大規模な気象イベントの軌道をどれほど正確に再現できるか？
• RQ4 DeepONetに基づく補正は、地球システムモデルにおける従来のナッティングを置き換えるために、オンラインシミュレーション環境で効果的に導入可能か？
• RQ5 相関係数と空間誤差の観点から、DeepONetの性能は元のE3SMv2ナッティング手法と比べて定量的にどの程度優れているか？

主な発見

• DeepONetモデルは、テスト領域全体でE3SMv2ナッティング傾向と相関係数 >0.7 を達成し、ゾナリスおよびミリディアン風成分の両方において高い予測精度を示した。
• モデルは2012年のハリケーン・サンディの軌道を正確に再現し、複雑な大気力学をシミュレートする上で、強固で物理的に妥当な性能を示した。
• 自己符号化器の使用により、効果的な次元削減が実現され、生の空間よりも低エネルギーで高次元のナッティング傾向を効率的に学習できるようになった。
• 空間的・時間的スケールを問わず、DeepONetの予測値とE3SMv2ナッティング傾向との間のポイントワイズ誤差は低く保たれ、空間的一致性が確認された。
• モデルの性能は、大気変動が激しい領域でも検証されたため、動的複雑系を扱う能力が裏付けられた。
• これらの結果は、DeepONet代替モデルをE3SMシミュレーションループに統合し、オンラインでリアルタイムのバイアス補正を実行可能であることを支持する。

Figure 2: A block diagram showing a high level view of the DeepONet. $\hat{\psi}_{bf}(z\times ld,t)$ (latent space representation of before nudged state) is the input for the branch network and $t$ is the time which the input to the trunk network, which is the time for which we want to predict the n