[논문 리뷰] Charting the Realms of Mesoscale Cloud Organisation using Unsupervised Learning

Leif Denby|arXiv (Cornell University)|2023. 09. 15.

Meteorological Phenomena and Simulations인용 수 5

한 줄 요약

이 논문은 전단형 신경망의 내부 임bedding 공간을 사용하여 메조스케일 낮은 구름 조직의 전체 연속체를 무 supervision 방식의 딥 러닝 프레임워크로 매핑하는 방법을 제시한다. 이 방법은 구름 분포 이외의 요소가 단순한 구름 분율 변화를 초월하여 반사율에 상당한 영향을 미친다는 것을 드러내며, 이로 인해 반사율에 ±1.4%의 변동이 발생하고, 시간에 따른 변화와 조직 상태 간의 환경적 원인을 추적할 수 있다.

ABSTRACT

Quantifying the driving mechanisms and effect on Earth's energy budget, of mesoscale shallow cloud organisation, remains difficult. Partly because quantifying the atmosphere's organisational state through objective means remains challenging. We present the first map of the full continuum of convective organisation states by extracting the manifold within an unsupervised neural networks's internal representation. On the manifold distinct organisational regimes, defined in prior work, sit as waymarkers in this continuum. Composition of reanalysis and observations onto the manifold, shows wind-speed and water vapour concentration as key environmental characteristics varying with organisation. We show, for the first time, that mesoscale shallow cloud organisation produces $\pm 1.4\%$ variations in albedo in addition to variations from cloud-fraction changes alone. We further demonstrate how the manifold's continuum representation captures the temporal evolution of organisation. By enabling study of states and transitions in organisation (in simulations and observations) the presented technique paves the way for better representation of shallow clouds in simulations of Earth's future climate.

연구 동기 및 목표

• 구름 분류의 이산적 분류를 넘어서, 전체 메조스케일 낮은 구름 조직 스펙트럼을 정량화하는 데이터 기반의 객관적 방법을 개발하기 위해.
• 바람 세기 및 수증기 등 환경 조건이 조직 연속체 전반에서 어떻게 변화하는지 규명하기 위해.
• 구름 분율 변화와는 독립적으로 조직의 복사 에너지 영향을 정량화하기 위해.
• 연속적 조직 상태 간의 시간적 변화와 전이를 연속 다각형 표현을 통해 연구할 수 있도록 하기 위해.
• 지속적인 조직 역학을 포착하여 기후 모델의 구름 파rameterisation 향상에 새로운 프레임워크를 제공하기 위해.

제안 방법

• 위성 기반 구름 영상 타일을 대상으로 전단형 신경망을 무 supervision 방식으로 학습시켜, 구름 패턴을 나타내는 100차원 임베딩 공간을 학습한다.
• 이 고차원 공간 내에 내장된 저차원 다양체를 추출하여, 가능한 모든 구름 조직 상태의 연속적 지도를 형성한다.
• 기존의 구름 조직 측정 지표(예: Janssens 등 2021)를 다각형에 투영하여 그 표현의 정밀도를 검증한다.
• 재분석 데이터(ERA5)와 관측 데이터(GOES-16, CERES)를 다각형에 병합하여 조직의 환경적 원인을 규명한다.
• 구름 시스템의 라그랑주 경로를 다각형에 매핑하여 조직 상태 간의 시간적 변화와 전이를 연구한다.
• 다각형의 연속적 표현을 이용해 구름 분율 영향을 분리함으로써 반사율 변화를 정량화한다.

실험 결과

연구 질문

• RQ1 무 supervision 표현 학습을 통해 메조스케일 낮은 구름 조직의 전체 연속체를 객관적으로 매핑할 수 있는 방법은 무엇인가?
• RQ2 구름 분율 변화 외에 구름 조직이 단일파장 반사율에 얼마나 영향을 미치는가?
• RQ3 바람 세기, 수증기, 해수면 온도 등 어떤 환경 변수가 조직 연속체 전반에서 체계적으로 변화하는가?
• RQ4 산산이 흩어진 쿠무스에서 더 큰 고립된 세포로의 조직 상태 전이가 다각형 상에서 어떻게 나타나는가?
• RQ5 다각형 표현이 실제 구름 시스템에서 관측된 일일 주기성 및 분기 현상을 포착할 수 있는가?

주요 결과

• 무 supervision 신경망의 내부 표현은 모든 가능한 메조스케일 낮은 구름 조직 상태를 매핑하는 연속적이고 저차원의 다각형을 형성한다.
• 다각형은 조직의 전체 연속체를 포괄하며, 이전에 정의된 클래스(예: 설탕, 꽃, 자갈)가 서로 분리되지 않은 피크로 지도상에 명확히 나타난다.
• 메조스케일 구름 조직은 구름 분율 변화를 보정한 후에도 단일파장 반사율에 ±1.4%의 변동을 유도하며, 주로 광학적 두께의 변화에 기인한다.
• 더 큰 고립된 쿠무스(꽃)는 낮은 기저층 수증기보다는 높은 고도의 수증기와 낮은 기저층 수증기와 더 강하게 연관되어 있다.
• 다각형은 시간적 변화 추적을 가능하게 하며, 4일간의 라그랑주 경로 동안 조직의 일일 주기성이 새로운 제도로 분해되는 것을 드러낸다.
• 환경 병합 분석 결과, 강한 바람과 낮은 해수면 온도는 더 뚜렷한 세포 조직을 유도하며, 이는 이전 연구와 일치한다.