[論文レビュー] Parameter sensitivity analysis of a sea ice melt pond parametrisation and its emulation using neural networks

Simon Driscoll, Alberto Carrassi+4 more|arXiv (Cornell University)|Apr 11, 2023

Arctic and Antarctic ice dynamicsEarth and Planetary Sciences被引用数 3

ひとこと要約

本研究では、Sobol感度分析を用いてIcepackモデル内における海氷融解 Pondパrametrization (MPP) のパラメータ感度を調査し、不確実なパラメータに対して高い感度を示すことを明らかにした。また、物理ベースのMPPを正確に置き換えるデータ駆動型ニューラルネットワークエミュレータを提案・検証し、入力の複雑さを低減しながら同等の長期的挙動を再現した。これは、気候モデルにおけるより良い、解釈可能で効率的なサブグリッドスケールパラメータ化への有望な道筋を示している。

ABSTRACT

Accurate simulation of sea ice is critical for predictions of future Arctic sea ice loss, looming climate change impacts, and more. A key feature in Arctic sea ice is the formation of melt ponds. Each year melt ponds develop on the surface of the ice and primarily via affecting the albedo, they have an enormous effect on the energy budget and climate of the Arctic. As melt ponds are subgrid scale and their evolution occurs due to a number of competing, poorly understood factors, their representation in models is parametrised. Sobol sensitivity analysis, a form of variance based global sensitivity analysis is performed on an advanced melt pond parametrisation (MPP), in Icepack, a state-of-the-art thermodynamic column sea ice model. Results show that the model is very sensitive to changing its uncertain MPP parameter values, and that these have varying influences over model predictions both spatially and temporally. Such extreme sensitivity to parameters makes MPPs a potential source of prediction error in sea-ice model, given that the (often many) parameters in MPPs are usually poorly known. Machine learning (ML) techniques have shown great potential in learning and replacing subgrid scale processes in models. Given the complexity of melt pond physics and the need for accurate parameter values in MPPs, we propose an alternative data-driven MPPs that would prioritise the accuracy of albedo predictions. In particular, we constructed MPPs based either on linear regression or on nonlinear neural networks, and investigate if they could substitute the original physics-based MPP in Icepack. Our results shown that linear regression are insufficient as emulators, whilst neural networks can learn and emulate the MPP in Icepack very reliably. Icepack with the MPPs based on neural networks only slightly deviates from the original Icepack and overall offers the same long term model behaviour.

研究の動機と目的

• グローバル分散に基づく感度分析を用いて、MPPにおける不確実なパラメータが海氷モデル出力に与える影響を評価すること。
• 機械学習、特にニューラルネットワークが、Icepackモデル内での物理ベースのMPPを効果的にエミュレートできるかどうかを評価すること。
• 特徴選択を用いて、データ駆動型MPPエミュレータに必要な最小限の入力変数のセットを特定すること。
• 従来の物理ベースMPPを、計算効率と解釈可能性を向上させるデータ駆動型エミュレータに置き換える可能性を検討すること。

提案手法

• Sobol感度分析をIcepackのレベル氷MPPに適用し、時間的・空間的要因を考慮したモデル出力へのパラメータ影響を定量化した。
• 物理ベースMPPから生成された合成トレーニングデータを用いて、線形回帰および非線形ニューラルネットワークモデルをトレーニングし、MPPの入出力挙動をエミュレートした。
• 相互情報量を用いた特徴選択により、最も情報量の多い入力変数を特定し、エミュレータ入力の次元を低減した。
• オンラインモードでエミュレータを検証し、Icepackモデル全体に統合して長期シミュレーションの忠実度を評価した。
• モデル出力の正確性と計算効率の観点から、ニューラルネットワークエミュレータと元のMPP、線形回帰エミュレータの性能を比較した。
• 今後の研究において観測データを活用する可能性を検討し、データの疎らさとノイズの問題に直面すると予想し、統合されたデータ同化と機械学習技術の活用を提案した。

Figure 1: Schematic overview of the Icepack model. Panel a: the columnar model set-up, with 4 tiles representing land, open water, slab ice (without snow) and a full ice-thickness distribution (ITD). Panel b: the most important vertical processes represented in Icepack when using the ITD. Courtesy o

実験結果

リサーチクエスチョン

• RQ1 Icepackモデルは、その融解 Pondパラメータ化 (MPP) のパrameterの変動に対してどの程度感度を示すか？
• RQ2 機械学習、特にニューラルネットワークは、海氷モデル内の物理ベースMPPの挙動を正確にエミュレートできるか？
• RQ3 データ駆動型MPPエミュレータが高精度な予測を維持するためには、どの入力変数が最も重要か？
• RQ4 元のMPPよりも少ない入力変数を用いた簡略化されたエミュレータは、元のMPPと同等の性能を達成できるか？
• RQ5 データ駆動型MPPエミュレータは、従来のパラメータ化と比較して、計算効率と解釈可能性をどの程度向上できるか？

主な発見

• Icepackモデルは、融解 Pondパラメータ化のパラメータに対して高い感度を示し、空間的に不均一であることが判明した。これは、小さなパラメータの不確実性が、大きな予測誤差を引き起こす可能性があることを示している。
• 線形回帰モデルは、オンラインモードでMPPをエミュレートするのに不十分であり、元のIcepackの挙動を再現できなかった。これは、複雑で非線形なプロセスに対して線形近似の限界が顕在化していることを示している。
• ニューラルネットワークエミュレータは、物理ベースMPPを効果的に置き換え、元のモデルとのわずかなずれを示すにとどまり、長期的なモデル挙動を保持した。
• 相互情報量に基づく特徴選択により、以前のタイムステップでの Pond 面積率、Pond 高さ、再凍結ラップ高さ、近接表面温度および空気温度、雪融解速度といった変数の組み合わせが、高い性能を発揮するための最小限の入力として特定された。
• 得られたより小さなニューラルネットワークエミュレータは、元のMPPよりも少ない入力で良好な性能を発揮し、計算効率の向上と物理的解釈可能性の向上を実現した。
• 本研究は、従来の過剰にパラメータ化されたMPPを、より正確で効率的かつ解釈可能なエミュレータに置き換えるための実現可能なデータ駆動型アプローチを示している。

Figure 2: Probability distribution functions we sample from using the SALib library for sensitivity analysis, for the 5 parameters invoked in the level-ice melt pond parametrisation with the mushy thermodynamics scheme (triangular and uniform). Red lines indicate default parameter values in the mode