[論文レビュー] Stable Machine-Learning Parameterization of Subgrid Processes in a Comprehensive Atmospheric Model Learned From Embedded Convection-Permitting Simulations

Zeyuan Hu, Akshay Subramaniam+7 more|arXiv (Cornell University)|Jun 28, 2024

Distributed and Parallel Computing Systems被引用数 6

ひとこと要約

この研究は、MMF内でクラウド解像モデルの全物理を模倣する安定したMLパラメータ化を訓練し、U-Netと微物理制約を用いて実地地理情報、雲凝結結合の明示的な結合、陸地相互作用を備えた5年間のオンラインオンライン混合気候シミュレーションを可能にする。

ABSTRACT

Modern climate projections often suffer from inadequate spatial and temporal resolution due to computational limitations, resulting in inaccurate representations of sub-grid processes. A promising technique to address this is the Multiscale Modeling Framework (MMF), which embeds a kilometer-resolution cloud-resolving model within each atmospheric column of a host climate model to replace traditional convection and cloud parameterizations. Machine learning (ML) offers a unique opportunity to make MMF more accessible by emulating the embedded cloud-resolving model and reducing its substantial computational cost. Although many studies have demonstrated proof-of-concept success of achieving stable hybrid simulations, it remains a challenge to achieve near operational-level success with real geography and comprehensive variable emulation that includes, for example, explicit cloud condensate coupling. In this study, we present a stable hybrid model capable of integrating for at least 5 years with near operational-level complexity, including coarse-grid geography, seasonality, explicit cloud condensate and wind predictions, and land coupling. Our model demonstrates skillful online performance, achieving a 5-year zonal mean tropospheric temperature bias within 2K, water vapor bias within 1 g/kg, and a precipitation RMSE of 0.96 mm/day. Key factors contributing to our online performance include an expressive U-Net architecture and physical thermodynamic constraints for microphysics. With microphysical constraints mitigating unrealistic cloud formation, our work is the first to demonstrate realistic multi-year cloud condensate climatology under the MMF framework. Despite these advances, online diagnostics reveal persistent biases in certain regions, highlighting the need for innovative strategies to further optimize online performance.

研究の動機と目的

• 現実的な地理条件下でのサブグリッド対流と雲の表現を改善する動機付け。
• MMFフレームワーク内でCRMを全物理とともに模倣するML代理モデルを開発する。
• 微物理的制約を組み込むことにより、長期的なオンライン安定性と現実的な雲気候を達成する。
• オフラインおよびオンラインの技能を最大化するために、MLP対U-NetなどのMLアーキテクチャと入力特徴を比較する。
• MLパラメータ化をFortranベースの気候モデルと結合し、参照MMFシミュレーションと比較して性能を評価する。

提案手法

• 垂直列データに適合させた基礎のMLPと1D/2D U-Netアーキテクチャを比較する。
• 大規模強制力、対流のメモリ、緯度を含む入力を拡張する。
• 温度に基づく液体/氷の分解と総雲凝結量を予測することによって微物理的制約を組み込む。
• トロポポーズ基準の雲除去制約を実装してオンライン安定性を高める。
• ClimSimの低解像度の実地地理データを10年間のE3SM-MMF実行から訓練し、オフラインスキルとオンライン5年シミュレーションで評価する。
• 訓練済みモデルをPytorch-Fortranを用いてE3SMに結合し、TorchScriptベースの推論を行う。

Figure 1: Assessment of the microphysical constraints. (a) The fraction of liquid cloud over total cloud as a function of temperature. This temperature-based phase partitioning holds exactly on each grid in the cloud-resolving model. (b) Histogram of the actual liquid cloud fraction in the E3SM grid

実験結果

リサーチクエスチョン

• RQ1 実地地理下で複数年のシミュレーションを対象に、機械学習パラメータ化がMMF内のCRMを模倣できるか？
• RQ2 拡張入力を有するU-Netは、MMFエミュレーションにおけるオフラインおよびオンラインの技能でMLPベースラインを上回るか？
• RQ3 雲凝結量に対する微物理的制約はオンライン安定性と雲気候の現実性を改善するか？
• RQ4 参照MMFシミュレーションと比較したオンラインML-MMFシミュレーションの長期的なバイアスと変動は本質的にどうか？
• RQ5 大規模強制力と対流メモリの含有がモデルの性能と安定性にどう影響するか？

主な発見

• 制約付きU-Netを用いたリアル地理と全物理の模倣で、安定した5年ハイブリッドMMFシミュレーションを達成。
• 制約付きU-Netはオンライン安定性を改善しバイアスを低減、5年の経度平均温度バイアスは<2 K、湿度バイアスは<1 g/kg。
• 全球経度平均風バイアスは約5 m/s程度に抑えられ、雲分布は現実的である。
• オフライン結果は拡張入力を持つU-NetがMLPを上回り、特に雲凝結量と風傾向で優れる。
• 制約なしのU-Netは非物理的な雲相および上層大気の過剰な液体/氷の雲を生み出しうるため、微物理的制約の重要性を強調する。
• 五年間の気候状態の傾向と降水統計は、主要なパターンで参照MMFに密接に類似するが、地域的・極端降水尾部の一部はさらなる改良が必要。

Figure 2: (a) Offline R 2 scores across various variables for MLP, U-Net, and U-Net with physics constraints. Variables are the full target variables listed in Table 2 , including temperature tendency ( $\frac{dT}{dt}$ ), water vapor tendency ( $\frac{dQ_{\text{v}}}{dt}$ ), liquid cloud mixing ratio