[논문 리뷰] Comparing Storm Resolving Models and Climates via Unsupervised Machine Learning

Griffin Mooers, Mike Pritchard외 6명|arXiv (Cornell University)|2022. 08. 25.

Meteorological Phenomena and Simulations인용 수 4

한 줄 요약

이 논문은 고해상도 2차원 수직 속도 필드를 기반으로, 변분 오토에인드어(VEAs)와 벡터 양자화를 사용한 비지도 기계학습 프레임워크를 소개하여, 복잡한 대기역학을 포괄하는 아홉 개의 글로벌 스톰해상도 모델(GSRMs)을 객관적으로 비교한다. 이 방법은 난류 대류의 잠재적 표현을 규명하여, 오직 여섯 개의 GSRMs만이 유사한 동역학적 행동을 보이며, '그린 컨시우스'를 포함한 구분 가능한 데이터 기반의 대류 유형 서명과 온실가스 증가에 따른 기후 변화 영향(예: 갈라진 지역 확장, 깊은 대류 강화)을 드러낸다.

ABSTRACT

Global Storm-Resolving Models (GSRMs) have gained widespread interest because of the unprecedented detail with which they resolve the global climate. However, it remains difficult to quantify objective differences in how GSRMs resolve complex atmospheric formations. This lack of comprehensive tools for comparing model similarities is a problem in many disparate fields that involve simulation tools for complex data. To address this challenge we develop methods to estimate distributional distances based on both nonlinear dimensionality reduction and vector quantization. Our approach automatically learns physically meaningful notions of similarity from low-dimensional latent data representations that the different models produce. This enables an intercomparison of nine GSRMs based on their high-dimensional simulation data (2D vertical velocity snapshots) and reveals that only six are similar in their representation of atmospheric dynamics. Furthermore, we uncover signatures of the convective response to global warming in a fully unsupervised way. Our study provides a path toward evaluating future high-resolution simulation data more objectively.

연구 동기 및 목표

• 복잡한 대기역학을 포괄하는 고해상도 글로벌 스톰해상도 모델(GSRMs)을 객관적이고 데이터 기반의 도구로 비교할 수 있는 방법의 부족을 해결하기 위해.
• 물리적 지침에 의존하지 않고, 비지도 기계학습을 통해 GSRMs 간의 분포 차이를 정량화하기 위해.
• 사전 레이블링 없이 고차원 시뮬레이션 데이터에서 물리적으로 의미 있는 대류 제도와 모델 유사성을 식별하기 위해.
• 특히 대류 조직화와 적도 이동과 관련된 기후 변화 신호를, 완전히 비지도 방식으로 탐지하기 위해.
• 모델 행동의 잠재 표현을 학습함으로써 향후 고해상도 기후 시뮬레이션 간의 더 엄격하고 확장 가능한 상호 비교를 가능하게 하기 위해.

제안 방법

• GSRMs의 고차원 2차원 수직 속도 필드를 저차원 잠재 표현으로 압축하기 위해 변분 오토에인드어(VEAs)를 활용한다.
• 잠재 공간에서 벡터 양자화와 군집화를 적용하여, '그린 컨시우스' 및 깊은 대류와 같은 다양한 대류 제도를 탐지한다.
• 대류 유형의 정규화된 확률 분포 간의 대칭화된 쿨백-라이블러(KL) 발산을 계산하여 모델 간의 분포 거리 수치를 도출한다.
• 한 모델의 데이터(UM)에 대해 공유 VAE를 훈련한 후, 이 모델을 사용해 아홉 개의 GSRMs 전부의 잠재 표현을 인코딩하고 비교한다.
• 물리적 성질(예: 대류 강도, 육지 비율, 난류 길이 척도 등)에 따라 색상으로 구분된 3차원 주성분 분석(PCA)을 통해 잠재 공간을 시각화하여, 분리 가능성과 모델 간 차이를 평가한다.
• 데이터 기반 방식으로 현재 시대와 따뜻한 기후 시뮬레이션 간의 비교를 통해 비지도 분석을 적용하여 기후 변화 신호를 탐지한다.

실험 결과

연구 질문

• RQ1 비지도 학습을 통해 분석했을 때, 어떤 GSRMs가 난류 대류 역학의 통계적으로 유사한 표현을 보이며, 유사성을 보이는가?
• RQ2 다양한 GSRMs의 고해상도 수직 속도 데이터의 잠재 공간에서 어떤 물리적으로 의미 있는 대류 제도가 도출되는가?
• RQ3 비지도 기계학습이 사전 가정이나 레이블링 없이도, 대류 강도 및 적도 분포의 이동과 같은 기후 변화 신호를 탐지할 수 있는가?
• RQ4 다른 모델 설계 방식은 잠재 공간 내에서 대류 특징의 조직화와 구조에 어떤 영향을 미치며, 이는 모델의 불확실성에 대해 무엇을 드러내는가?
• RQ5 VAE 기반의 표현 학습은 육지 대류와 해양 대류, 얕은 대류와 깊은 대류와 같은 물리적 과정을 어느 정도 분리할 수 있는가?

주요 결과

• 연구된 아홉 개의 GSRMs 중 오직 여섯 개만이 난류 대류의 유사한 잠재 표현을 보이며, 이는 모델들이 대기역학을 시뮬레이션하는 방식에서 상당한 이질성을 보임을 시사한다.
• 비지도 방법이 성공적으로 구분 가능한 '그린 컨시우스' 대류 제도를 식별하였으며, 이는 관측 데이터에서 부족하고 일반적인 구름 마스크에서 자주 누락되는 특성이다.
• 잠재 공간은 SPCAM이 소규모 수평 조직화를 특징으로 하는 고유한 대륙성 얕은 대류 제도를 보이며, 이는 VAE의 분리된 표현을 통해 유일하게 탐지 가능하다는 것을 드러낸다.
• SAM은 다른 GSRMs에 비해 잠재 표현에서 더 높은 수직 속도 강도를 보이며, 더 활발한 대류 반응을 나타낸다.
• 이 방법은 완전히 비지도 방식으로 기후 변화 신호를 규명하였으며, 특히 갈라진 지역의 확장과 온난화된 기후 조건 하에서 따뜻한 해양 지역에 집중된 깊은 대류의 강화를 포함한다.
• 잠재 표현의 벡터 양자화 및 군집화 분석을 통해 세 가지 주요 대류 유형이 드러났다: '그린 컨시우스', 얕은 컨시우스, 깊은 대류이며, 각각 저대류 안정성과 지표면 플럭스와 같은 물리적 추진력에 기인한다.