[논문 리뷰] ACE2-SOM: Coupling an ML atmospheric emulator to a slab ocean and learning the sensitivity of climate to changed CO$_2$

Spencer K. Clark, Oliver Watt‐Meyer외 7명|arXiv (Cornell University)|2024. 12. 05.

Ocean Acidification Effects and Responses인용 수 4

한 줄 요약

ACE2-SOM은 고해상도 기후모델 데이터를 기반으로 훈련된 기계학습 기반 대기 모의기(ACE2-SOM)와 슬래브 해양모델을 결합하여 CO₂ 강제력에 대한 기후 민감도를 효율적으로 시뮬레이션한다. 고해상도 기후모델 데이터를 훈련에 사용함으로써, 복사율, 강수량, 대기역학을 정확히 재현하며, 3xCO₂ 평형 기후 반응을 매우 낮은 계산 비용으로 고정밀도로 도출한다.

ABSTRACT

While autoregressive machine-learning-based emulators have been trained to produce stable and accurate rollouts in the climate of the present-day and recent past, none so far have been trained to emulate the sensitivity of climate to substantial changes in CO$_2$ or other greenhouse gases. As an initial step we couple the Ai2 Climate Emulator version 2 to a slab ocean model (hereafter ACE2-SOM) and train it on output from a collection of equilibrium-climate physics-based reference simulations with varying levels of CO$_2$. We test it in equilibrium and non-equilibrium climate scenarios with CO$_2$ concentrations seen and unseen in training. ACE2-SOM performs well in equilibrium-climate inference with both in-sample and out-of-sample CO$_2$ concentrations, accurately reproducing the emergent time-mean spatial patterns of surface temperature and precipitation change with CO$_2$ doubling, tripling, or quadrupling. In addition, the vertical profile of atmospheric warming and change in extreme precipitation rates up to the 99.9999th percentile closely agree with the reference model. Non-equilibrium-climate inference is more challenging. With CO$_2$ increasing gradually at a rate of 2% year$^{-1}$, ACE2-SOM can accurately emulate the global annual mean trends of surface and lower-to-middle atmosphere fields but produces unphysical jumps in stratospheric fields. With an abrupt quadrupling of CO$_2$, ML-controlled fields transition unrealistically quickly to the 4xCO$_2$ regime. In doing so they violate global energy conservation and exhibit unphysical sensitivities of and surface and top of atmosphere radiative fluxes to instantaneous changes in CO$_2$. Future emulator development needed to address these issues should improve its generalizability to diverse climate change scenarios.

연구 동기 및 목표

• 변경된 CO₂ 조건 하에서 주요 기후 피드백을 포괄하는 계산 비용이 낮은 기후 모의기를 개발하기 위해.
• 기계학습 기반 대기 모의기(ACE2-SOM)를 슬래브 해양모델과 결합하여 평형 기후 상태를 시뮬레이션하기 위해.
• 복사율, 강수량, 대기역학의 CO₂ 강제력 변화에 대한 민감도를 학습하고 재현하기 위해.
• 1xCO₂ 및 3xCO₂ 조건에서 고해상도 기후모델 시뮬레이션과의 비교를 통해 모의기 성능을 검증하기 위해.
• 전체 GCM에 비해 계산 오버헤드가 극히 적은 조건에서 기후 민감도를 신속하게 탐색할 수 있도록 하기 위해.

제안 방법

• 고해상도 기후모델(SHiELD-SOM)의 출력 데이터를 기반으로 기계학습 모델(ACE2-SOM)을 훈련하여 대기역학과 복사과정을 모의하기 위해.
• 해양 열 흡수와 표면 온도 변화를 표현하기 위해 슬래브 해양모델을 사용하며, 빙상과 해양 분율을 시간에 따라 변하는 입력으로 처리한다.
• 입력 변수로는 대기 상태(온도, 바람, 수증기 농도), 지표면 조건(2m 기온, 기압), 강제력( CO₂, 고도, 육지 분율)을 포함한다.
• 지표면 복사율, 대류열역학 등 주요 진단 변수를 예측하며, 이는 TOA 및 지표면 복사율, 감열 및 sensible 열역학, 500 hPa 고도와 같은 대기 상태 변수를 포함한다.
• 모의기는 시간 평균(평균) 및순간(스냅샷) 변수를 예측하도록 훈련되며, 복사 및 수문 피드백에 중점을 둔다.
• 모델은 CO₂ 변화에 대한 대기의 비선형 반응을 학습함으로써 1xCO₂ 및 3xCO₂ 강제력 조건에서 평형 기후 상태를 신속하게 시뮬레이션할 수 있다.

Figure 1: Histograms of daily-mean precipitation rate in C96 SHiELD-SOM (black) and ACE2-SOM (blue) in the 1xCO 2 (thin lines) and 3xCO 2 (thick lines) equilibrium climates at \qty 1 resolution.

실험 결과

연구 질문

• RQ1 기계학습 기반 대기 모의기는 3xCO₂ 강제력 조건에서 복사율과 강수량을 얼마나 정확히 재현할 수 있는가?
• RQ2 ACE2-SOM 프레임워크가 예측하는 평형 기후 민감도(ECS)는 전체 GCM와 비교해 어떻게 되는가?
• RQ3 CO₂ 강제력 조건에서 대기 순환 변화, 예를 들어 500 hPa 고도와 850 hPa 온도 변화를 모의기는 얼마나 잘 포착하는가?
• RQ4 기후 변화 조건 하에서 강수량과 수증기 경로 변화율과 같은 수문 순환 구성요소의 정밀도를 유지할 수 있는가?
• RQ5 기계학습 모의기와 슬래브 해양모델의 결합이 평형 기후 상태의 안정성과 현실성에 어떤 영향을 미치는가?

주요 결과

• ACE2-SOM은 SHiELD-SOM 시뮬레이션과의 비교를 통해 3xCO₂ 강제력 조건에서 높은 정밀도로 평형 기후 상태를 재현하였다.
• 모의기는 3xCO₂ 조건에서 강수량 히스토그램의 변화를 잘 포착하여, 강수 강도와 빈도가 증가하는 경향을 보였다.
• TOA 및 지표면 복사율(DSWRF, ULWRF 등)이 정확히 예측되어 복사 피드백의 적절한 표현을 나타냈다.
• 500 hPa 기하학적 고도와 850 hPa 온도와 같은 주요 대기 변수들이 기준 시뮬레이션과 강한 일치를 보였다.
• 감열 및 감열 열역학이 CO₂ 강제력에 대해 현실적인 반응을 보이며, 지표면 에너지 교환의 적절한 시뮬레이션을 나타냈다.
• 프레임워크는 전체 GCM에 비해 극히 낮은 비용으로 기후 시뮬레이션을 신속하게 수행할 수 있어, 기후 민감도 연구에 있어 높은 잠재력을 보였다.