[論文レビュー] Understanding cirrus clouds using explainable machine learning

Kai Jeggle, David Neubauer+2 more|arXiv (Cornell University)|Jan 1, 2023

Atmospheric aerosols and clouds被引用数 5

ひとこと要約

本研究では、解釈可能な機械学習——特にSHAP説明性を備えたXGBoostおよびLSTMモデル——を用いて、人工衛星および再解析データから巻き雲の氷水含量（IWC）および氷晶数密度（Ni）を予測する。気象的およびエアロゾル条件が分散の49％（R² = 0.49）を説明しており、予測に最も寄与するのは直近15時間の気象履歴であることが判明。さらに、2 × 10⁻⁴ mg m⁻³を超えるチリ濃度がNiの低下を引き起こすことが定量的に特定され、巻き雲微物理の主要な物理的駆動要因が明らかになった。

ABSTRACT

Cirrus clouds are key modulators of Earth's climate. Their dependencies on meteorological and aerosol conditions are among the largest uncertainties in global climate models. This work uses three years of satellite and reanalysis data to study the link between cirrus drivers and cloud properties. We use a gradient-boosted machine learning model and a Long Short-Term Memory (LSTM) network with an attention layer to predict the ice water content and ice crystal number concentration. The models show that meteorological and aerosol conditions can predict cirrus properties with $R^2 = 0.49$. Feature attributions are calculated with SHapley Additive exPlanations (SHAP) to quantify the link between meteorological and aerosol conditions and cirrus properties. For instance, the minimum concentration of supermicron-sized dust particles required to cause a decrease in ice crystal number concentration predictions is $2 imes 10^{-4}$ mg m extsuperscript{-3}. The last 15 hours before the observation predict all cirrus properties.

研究の動機と目的

• 気象的およびエアロゾル条件が巻き雲微物理的特性（IWCおよびNi）に与える影響を定量化すること。
• 機械学習および解釈可能なAI（XAI）を用いて、主な巻き雲駆動要因を同定することで、気候モデルの精度を向上させること。
• 特に上昇気流および時間的経過に伴うエアロゾル露出の役割に注目し、大気の履歴が巻き雲形成に与える時間的影響を評価すること。
• SHAP値を用いてモデル予測を解釈し、駆動要因と巻き雲特性との間の物理的に意味のある関係を抽出すること。

提案手法

• 即時の人工衛星および再解析データを用いて勾配ブースティングXGBoost回帰モデルを学習し、IWCおよびNiを予測した。
• 48時間分のラグランジュ的後方追跡にわたる時間的依存性をモデル化するため、アテンション機構を備えたLSTMネットワークを構築した。
• DARDAR-Nice巻き雲観測データから48時間分の後方追跡をLAGRANTOを用いて計算し、各経路に沿って気象的およびエアロゾル変数を追跡した。
• 季節、地域、地表面高度、陸上/海水マスクを含む、時間的・空間的およびカテゴリカル特徴を統合した。
• 特徴量の寄与度を計算するため、Shapley加法的説明（SHAP）を適用し、各入力がモデル予測に与える寄与度を定量化した。
• 入力の摂動に対して説明の安定性と忠実度を評価するため、安定性指標（RIS、ROS）を用い、逐次的特徴削除と平均値補完を併用した。

実験結果

リサーチクエスチョン

• RQ1 気象的およびエアロゾル変数の中で、巻き雲の氷水含量（IWC）および氷晶数密度（Ni）に最も強く影響を与えるのはどれか？
• RQ2 機械学習を用いることで、気象的およびエアロゾル条件がIWCおよびNiの変動の何パーセントを説明できるか？
• RQ3 大気の履歴、特に直近15時間の影響が、巻き雲特性に及ぼす時間的影響は何か？
• RQ4 超微粒子チリのような特定のエアロゾル濃度がNi予測に与える影響は何か？また、顕著な変化を引き起こす閾値は何か？
• RQ5 SHAPベースの説明は、駆動要因と巻き雲微物理の間に物理的に解釈可能な関係をどれほど明らかにできるか？

主な発見

• 機械学習モデルは、IWCおよびNiの両方でR² = 0.49を達成し、気象的およびエアロゾル入力からの中程度だが有意義な予測能力を示した。
• 巻き雲観測直前の直近15時間の大気履歴が、すべての巻き雲特性を予測する上で最も強く寄与しており、雲形成における強い時間的記憶性が示された。
• 予測された氷晶数密度（Ni）に顕著な低下を引き起こすために、超微粒子チリ粒子濃度が2 × 10⁻⁴ mg m⁻³以上であることが必要であることが判明した。
• SHAP解析により、上昇気流速度および温度がIWCおよびNiの予測において最も影響力の大きい予測変数であることが明らかになり、既知の物理的メカニズムと整合的であった。
• 特徴量の寄与度評価手法は高い安定性と忠実度を示し、RISおよびROSスコアから入力摂動に対しても説明が堅牢であることが示された。
• ラグランジュ的後方追跡の導入により、雲形成の上流における環境条件の変化を捉えることができ、モデル性能が顕著に向上した。