[논문 리뷰] ACE2: Accurately learning subseasonal to decadal atmospheric variability and forced responses

Oliver Watt‐Meyer, Brian Henn외 7명|arXiv (Cornell University)|2024. 11. 18.

Underwater Acoustics ResearchEarth and Planetary Sciences인용 수 3

한 줄 요약

ACE2는 1° 해상도와 6시간 간격으로 1940–2020년 동안의 초기기에서 10년까지의 대기 변동성과 강제 반응을 정확하게 시뮬레이션할 수 있는 450M 파라미터의 자동회귀 기반 기계학습 에뮬레이터이다. 이 모델은 전 세계 건조 공기 질량과 수증기를 정확히 보존하며, 안정적인 장기적 통합(1일당 1500년의 시뮬레이션)을 가능하게 하며, 매든-줄리안 진동, 열대 시계풍, 엘 니뇨에 의한 대기 반응 및 장기적 따뜻해짐 추세와 같은 주요 기상 현상을 재현한다.

ABSTRACT

Existing machine learning models of weather variability are not formulated to enable assessment of their response to varying external boundary conditions such as sea surface temperature and greenhouse gases. Here we present ACE2 (Ai2 Climate Emulator version 2) and its application to reproducing atmospheric variability over the past 80 years on timescales from days to decades. ACE2 is a 450M-parameter autoregressive machine learning emulator, operating with 6-hour temporal resolution, 1° horizontal resolution and eight vertical layers. It exactly conserves global dry air mass and moisture and can be stepped forward stably for arbitrarily many steps with a throughput of about 1500 simulated years per wall clock day. ACE2 generates emergent phenomena such as tropical cyclones, the Madden Julian Oscillation, and sudden stratospheric warmings. Furthermore, it accurately reproduces the atmospheric response to El Niño variability and global trends of temperature over the past 80 years. However, its sensitivities to separately changing sea surface temperature and carbon dioxide are not entirely realistic.

연구 동기 및 목표

• 서브시즌에서 10년까지의 시간스케일에서 대기 변동성과 강제 반응을 정확하게 시뮬레이션할 수 있는 기계학습 기반 기후 에뮬레이터를 개발하는 것.
• 건조 공기 질량과 대기 수증기의 정확한 보존을 보장하면서도 장기적이고 안정적인 통합을 가능하게 하는 것.
• 재분석(ERA5)과 물리 기반 모델 출력(SHiELD)을 모두 활용하여 모델의 강건성과 일반화 능력을 확보하는 것.
• 관측된 기후 추세, ENSO 반응, 그리고 새로운 기상 현상의 재현 능력을 평가하는 것.
• 에뮬레이터가 효율적인 기후 시뮬레이션과 분석(예: 앙상블 탐색 및 시나리오 보간)에 활용될 수 있음을 보여주는 것.

제안 방법

• ACE2는 대기 상태 변수로부터 두 단계(6시간 뒤)를 예측하도록 학습된 450M 파라미터의 자동회귀 기반 트랜스포머 기반 모델이다.
• 모델은 1° 수평 해상도와 여덟 개의 수직 층을 가지며, 사용자가 지정한 해수면 온도(SST)와 CO2 경계 조건을 사용하여 6시간 간격으로 작동한다.
• 구조적 설계와 손실 함수 설계를 통해 전 세계 건조 공기 질량과 대기 수증기의 정확한 보존을 보장한다.
• 모델은 두 가지 데이터셋으로 학습된다: ERA5 재분석(1940–1995, 2011–2019)과 AMIP 스타일의 SHiELD 시뮬레이션(1940–2020).
• 체크포인트 선택은 기후 기술성 기반으로 이루어지며, 시간 평균 및 연평균 변수에 대해 전역 루트 평균 제곱 오차(RMSE)와 결정계수(R²) 지표를 사용한다.
• 평가에는 Niño 3.4 지수에 대한 대기 변수의 회귀 분석을 포함하여 ENSO 반응 정확도를 평가한다.

Figure 1: Global- and annual-mean series for a) 2-meter air temperature and c) total water path over 81-year evaluations of ACE2-ERA5 and ACE2-SHiELD. For each ACE2 evaluation, a three-member initial condition (IC) ensemble of the model (each initialized one day apart) is shown in solid lines, and t

실험 결과

연구 질문

• RQ1 기계학습 기반 에뮬레이터가 일에서 10년까지의 다양한 시간스케일에서 대기 변동성을 정확하게 시뮬레이션할 수 있는가?
• RQ2 모델은 관측된 엘 니뇨-남부 진동(ENSO) 변동에 대한 대기 반응을 재현하는가?
• RQ3 과거 80년 동안의 장기적 전지구 평균 기온 추세와 총 수증기 경로 변화를 모델이 포착할 수 있는가?
• RQ4 장기 통합 기간 동안 모델이 질량과 수증기를 얼마나 잘 보존하는가?
• RQ5 태풍, 열대 기상 현상, 급속한 오로라 대기 warming과 같은 새로운 기상 현상을 모델이 얼마나 잘 생성하는가?

주요 결과

• ACE2는 월드클록 당 약 1500년의 시뮬레이션을 달성하여 장기적 기후 시뮬레이션을 효율적으로 가능하게 한다.
• 모델은 엘 니뇨 변동에 대한 대기 반응을 정확히 재현하며, 주요 변수에 대해 전역 영역 가중 평균 제곱 오차(RMS)가 0.5 K 이하로 낮다.
• 참고 데이터셋과 비교하여 전지구 평균 기온과 총 수증기 경로의 장기 추세를 R² 값이 0.95 이상으로 정확히 포착한다.
• ACE2는 태풍, 매든-줄리안 진동, 급속한 오로라 대기 warming과 같은 새로운 기상 현상을 생성한다.
• 장기 통합 기간 동안 전 세계 건조 공기 질량과 대기 수증기를 정확히 보존하여 임의의 수준의 단계에서 안정적인 정방향 시뮬레이션을 가능하게 한다.
• 물리 기반 SHiELD 모델과 비교해 ACE2는 1° 해상도에서 약 100배 빠르며 에너지 소비는 700배 적고, 더粗한 C24 해상도의 SHiELD 시뮬레이션보다는 약 50배 빠르고 에너지 소비는 25배 적다.

Figure 2: a) - c): Zonal- and time-mean for ACE2 (solid) and its reference datasets (dashed) over test period spanning 2001-01-01 to 2010-12-31, for selected variables. d) - f): ACE2-ERA5 time-mean biases over this time period. g) - i): ACE2-SHiELD time-mean biases over this time period. Results for