[論文レビュー] Transferability and explainability of deep learning emulators for regional climate model projections: Perspectives for future applications

Jorge Baño‐Medina, Maialen Iturbide+2 more|arXiv (Cornell University)|Nov 1, 2023

Climate variability and models被引用数 4

ひとこと要約

本研究は、地域気候モデル（RCM）の予測における深層学習エミュレータの転送可能性と説明可能性を評価し、eXplainable AI（XAI）技術を用いて、Perfect Prognosis（PP）とModel Output Statistics（MOS）の2つのアプローチを比較する。その結果、PPエミュレータはGCM間で物理的整合性が高く、ソフトな転送可能性を示すが、MOSエミュレータはGCM依存的で物理的整合性に欠け、新たな気候モデルへの一般化が制限されることがわかった。

ABSTRACT

Regional climate models (RCMs) are essential tools for simulating and studying regional climate variability and change. However, their high computational cost limits the production of comprehensive ensembles of regional climate projections covering multiple scenarios and driving Global Climate Models (GCMs) across regions. RCM emulators based on deep learning models have recently been introduced as a cost-effective and promising alternative that requires only short RCM simulations to train the models. Therefore, evaluating their transferability to different periods, scenarios, and GCMs becomes a pivotal and complex task in which the inherent biases of both GCMs and RCMs play a significant role. Here we focus on this problem by considering the two different emulation approaches proposed in the literature (PP and MOS, following the terminology introduced in this paper). In addition to standard evaluation techniques, we expand the analysis with methods from the field of eXplainable Artificial Intelligence (XAI), to assess the physical consistency of the empirical links learnt by the models. We find that both approaches are able to emulate certain climatological properties of RCMs for different periods and scenarios (soft transferability), but the consistency of the emulation functions differ between approaches. Whereas PP learns robust and physically meaningful patterns, MOS results are GCM-dependent and lack physical consistency in some cases. Both approaches face problems when transferring the emulation function to other GCMs, due to the existence of GCM-dependent biases (hard transferability). This limits their applicability to build ensembles of regional climate projections. We conclude by giving some prospects for future applications.

研究の動機と目的

• 異なるグローバル気候モデル（GCMs）、シナリオ、時間帯における地域気候モデル（RCM）の予測に対する深層学習エミュレータの転送可能性を評価すること。
• eXplainable AI（XAI）技術を用いて、学習されたエミュレーション関数の物理的整合性を評価すること。
• Perfect Prognosis（PP）とModel Output Statistics（MOS）の2つのRCMエミュレーション手法の性能と信頼性を比較すること。
• GCM-RCMバイアスの不一致がエミュレータの一般化に与える制限を特定し、今後の応用への道筋を提案すること。

提案手法

• 1つのGCMによって駆動される短時間のRCMシミュレーション上で深層学習エミュレータを訓練し、大規模な大気予測子と高分解能の地表面変数（例：気温、降水量）との間のマッピングを学習する。
• 2つの異なるエミュレーションフレームワークを適用：PPは拡大されたRCMフィールドを予測子として使用し、MOSはGCMフィールドを予測子として使用する。
• Salienyマップや特徴量の寄与度を含むeXplainable AI（XAI）手法を用いて、学習された関係の物理的妥当性を解釈および検証する。
• 未観測のGCM、シナリオ、時間帯でのテストを通じて、ソフトな転送可能性を評価する。
• 標準指標と予測子パターンの物理的整合性を用いてモデルの性能を評価する。
• 気溶媒の表現や大気物理学の構造的差異といった、GCMとRCMの構造的差異がエミュレータの転送可能性に与える影響を調査する。

Figure 1: Schematic representation of the deep statistical emulator training workflows for the (a) MOS and (b) PP approaches. Arrows indicate the workflow. Details on the convolutional neural network model used are included in the figure: numbers on top of the convolutional layers represent their si

実験結果

リサーチクエスチョン

• RQ1 1つのGCM-RCMコンビで訓練された深層学習エミュレータは、他のGCMやシナリオに信頼性を持って転送可能か？
• RQ2 XAI技術によって明らかにされたPPおよびMOSエミュレータが学習した関係は、どの程度物理的に整合的か？
• RQ3 PPおよびMOSエミュレータが新しいGCMにハードな転送に失敗するのはなぜか？また、GCM-RCMバイアスの不一致はその要因としてどのような役割を果たすか？
• RQ4 トレーニングに用いるGCMの選択が、MOSベースのエミュレータの性能と解釈可能性にどの程度影響を与えるか？
• RQ5 多様なGCM-RCMコンビネーションにわたるRCMエミュレータの一般化を向上させるための有効な戦略は何か？

主な発見

• PPアプローチは、異なる駆動GCM間で一貫した物理的に意味のある予測子パターンを学習し、エミュレーションプロセスへの信頼性を高める。
• MOSアプローチはGCM依存的なパターンを生成し、場合によっては物理的整合性に欠けるため、GCM間での転送には信頼性が低い。
• 両エミュレータは、共通する気候学的特徴のおかげで、新しいシナリオや期間においてもソフトな転送可能性を示す。
• 新しいGCMへのエミュレーションでハードな転送が失敗するのは、RCMがGCMバイアスに異なる反応を示すためであり、特に気溶媒の表現などの構造的差異が影響を及ぼす。
• 異なるGCMに対するRCMの反応の不一致が、信頼できる外挿を妨げ、現在のエミュレータがGCM-RCMコンビネーション行列全体を埋めるのを制限する。
• 将来的な改善には、多様なGCMバイアスを用いたトレーニング、または再解析に基づく完全な境界条件の使用が考えられるが、両者とも精度と気候外挿のトレードオフを伴う。

Figure 2: Experimental evaluation workflows to assess the performance of RCM emulators in (a-b) cross-validation and (c-d) transferability conditions for both PP and MOS approaches. Hard (inter-GCM) transferability (d) assesses the performance of RCM emulators when applied to predictors from differe