[論文レビュー] LUCIE: A Lightweight Uncoupled ClImate Emulator with long-term stability and physical consistency for O(1000)-member ensembles

Haiwen Guan, Troy Arcomano+2 more|arXiv (Cornell University)|May 25, 2024

Advanced Data Storage Technologies被引用数 4

ひとこと要約

LUCIE は、球面フーリエニューラルオペレータ（SFNO）に基づく軽量で物理的に整合的かつ長期にわたり安定した気候エミュレータであり、1枚の A100 GPU で 2.4 時間でトレーニングされた、粗い解像度の ERA5 データ 9.5 年分のみを用いて、5 年間の自己回帰的シミュレーションで安定した 1000 メンバーのアンサンブルを生成する。外部の海面水温（SST）入力や物理的に不自然なドリフトなしに、正確な気候学的特徴、中短期予報性能、およびスペクトル構造の保持を達成している。

ABSTRACT

We present a lightweight, easy-to-train, low-resolution, fully data-driven climate emulator, LUCIE, that can be trained on as low as $2$ years of $6$-hourly ERA5 data. Unlike most state-of-the-art AI weather models, LUCIE remains stable and physically consistent for $100$ years of autoregressive simulation with $100$ ensemble members. Long-term mean climatology from LUCIE's simulation of temperature, wind, precipitation, and humidity matches that of ERA5 data, along with the variability. We further demonstrate how well extreme weather events and their return periods can be estimated from a large ensemble of long-term simulations. We further discuss an improved training strategy with a hard-constrained first-order integrator to suppress autoregressive error growth, a novel spectral regularization strategy to better capture fine-scale dynamics, and finally an optimization algorithm that enables data-limited (as low as $2$ years of $6$-hourly data) training of the emulator without losing stability and physical consistency. Finally, we provide a scaling experiment to compare the long-term bias of LUCIE with respect to the number of training samples. Importantly, LUCIE is an easy to use model that can be trained in just $2.4$h on a single A-100 GPU, allowing for multiple experiments that can explore important scientific questions that could be answered with large ensembles of long-term simulations, e.g., the impact of different variables on the simulation, dynamic response to external forcing, and estimation of extreme weather events, amongst others.

研究の動機と目的

• 外部の海面水温（SST）を必要とせず、数千年にわたる長期にわたり物理的に整合的かつ気候学的に安定した、計算効率の高いデータ駆動型の大気エミュレータの開発。
• 気候予測における不確実性の定量化および極端な気象現象の分析のため、大規模なアンサンブルシミュレーション（1000 メンバー程度）を可能にする。
• 結合モデルから得られる外部の海面水温（SST）を一切使用せず、エミュレートされた気候の物理的整合性を実現すること。
• 自己回帰的推論を長期間にわたり実行した場合の、中短期予報性能およびゾナル風と温度のスペクトル忠実性を示すこと。
• 最小限の計算コストで、モデルの挙動、反事実的状況、変数感受性に関する科学的探求を迅速に可能にするプロトタイピングツールを提供すること。

提案手法

• 球面上のグリッドベース学習を可能にする球面ハーモニック変換（SHT）を組み込んだ球面フーリエニューラルオペレータ（SFNO）アーキテクチャを活用する。
• 空間的認識力と勾配の流れを向上させるために、2次元畳み込みエンコーダ・デコーダにスキップ接続と学習可能な位置埋め込みを採用する。
• 初期状態を ERA5 データから抽出し、5 年間の自己回帰的推論を用いて 1000 メンバーのアンサンブルを実行する。
• 表面温度、比湿、ゾナル風、緯向風の 4 つの予報変数を用いて、粗い解像度（T30）の ERA5 データでトレーニングする。
• 時間変動入力として総日射放射（TISR）を導入するが、外部の SST を強制的に入力せず、非結合的運用を可能にする。
• スペクトル正則化を施した平均二乗誤差損失関数を用いることで、パワー スペクトルの保持と高波数バイアスの低減を実現する。

実験結果

リサーチクエスチョン

• RQ1 データ駆動型の大気エミュレータは、外部の海面水温（SST）を一切使用せず、数千年にわたる長期にわたり気候学的に安定した状態を維持できるか？
• RQ2 LUCIE は 1000 メンバーのアンサンブルにおいて、参考となる ERA5 の気候学的特徴と表面温度の年周期をどれほど正確に再現できるか？
• RQ3 LUCIE は自己回帰的推論 5 年間にわたり、ゾナル風のパワー スペクトルをどれほど ERA5 と一致させるか？
• RQ4 LUCIE の中短期予報性能（subseasonal-to-seasonal）は、1000 メンバーのアンサンブルでどの程度高く、パーサービングベースラインと比較してどうなるか？
• RQ5 1 枚の GPU で 3 時間以内に効率的にトレーニング可能でありながら、物理的整合性とスペクトル忠実性を維持できるか？

主な発見

• LUCIE が生成する 5 年間のアンサンブル気候学的特徴は、ERA5 の基準気候学的特徴と非常に近く、わずかなバイアスと表面温度の年周期の正確な再現を示している。
• LUCIE が生成するゾナル風パワー スペクトルは、5 年間にわたり、特に大スケールで ERA5 とほとんど差がなく、主なスペクトル構造を保持している。
• LUCIE の中短期予報性能は、全予報変数において単純なパーサービングベースラインを上回っており、50 個の初期状態においても不安定性が低く、信頼性が高い。
• 1000 年間の単一メンバーのシミュレーションにおいても、LUCIE は極めて小さな気候学的ドリフトで長期的安定性を維持しており、5 年間のアンサンブル研究をはるかに超える耐久性を示している。
• わずか 9.5 年間の粗い ERA5 データでのトレーニングにもかかわらず、LUCIE は外部の SST や結合型海洋モデルを必要とせず、物理的整合性とスペクトル忠実性を達成している。
• 1 枚の A100 GPU でわずか 2.4 時間のトレーニングでこれらの結果を達成しており、不確実性の定量化のための迅速なプロトタイピングと大規模アンサンブル生成を可能としている。