[논문 리뷰] Deep Learning Based Cloud Cover Parameterization for ICON

Arthur Grundner, Tom Beucler외 4명|arXiv (Cornell University)|2021. 12. 21.

Climate variability and models인용 수 7

한 줄 요약

이 연구는 폭풍 해상도 시뮬레이션 데이터를 사용하여 ICON 기후 모델을 위한 딥러닝 기반의 구름량 파rameterization을 개발하고 평가한다. 전 세계 및 지역적 해상도가 낮은 대기 데이터로 훈련된 세 가지 신경망 아키텍처는 다양한 수직 국소성 가정을 바탕으로 하위그리드 구름량을 정확하게 예측하며, 전 세계적으로 훈련된 모델은 지역 데이터로 일반화된다. SHAP 해석 가능성 분석은 특정 수증기와 구름 얼음에 대한 과도한 의존도를 드러내며, 지역 학습 패tern과 모델 오류 원인을 규명한다.

ABSTRACT

A promising approach to improve cloud parameterizations within climate models and thus climate projections is to use deep learning in combination with training data from storm-resolving model (SRM) simulations. The ICOsahedral Non-hydrostatic (ICON) modeling framework permits simulations ranging from numerical weather prediction to climate projections, making it an ideal target to develop neural network (NN) based parameterizations for sub-grid scale processes. Within the ICON framework, we train NN based cloud cover parameterizations with coarse-grained data based on realistic regional and global ICON SRM simulations. We set up three different types of NNs that differ in the degree of vertical locality they assume for diagnosing cloud cover from coarse-grained atmospheric state variables. The NNs accurately estimate sub-grid scale cloud cover from coarse-grained data that has similar geographical characteristics as their training data. Additionally, globally trained NNs can reproduce sub-grid scale cloud cover of the regional SRM simulation. Using the game-theory based interpretability library SHapley Additive exPlanations, we identify an overemphasis on specific humidity and cloud ice as the reason why our column-based NN cannot perfectly generalize from the global to the regional coarse-grained SRM data. The interpretability tool also helps visualize similarities and differences in feature importance between regionally and globally trained column-based NNs, and reveals a local relationship between their cloud cover predictions and the thermodynamic environment. Our results show the potential of deep learning to derive accurate yet interpretable cloud cover parameterizations from global SRMs, and suggest that neighborhood-based models may be a good compromise between accuracy and generalizability.

연구 동기 및 목표

• ICON 기후 모델에서 하위그리드 규모의 구름량을 정확하고 해석 가능한 딥러닝 파rameterization을 개발하기 위해.
• 전 세계적으로 훈련된 신경망의 지역 폭풍 해상도 시뮬레이션 데이터에 대한 일반화 성능을 평가하기 위해.
• 구름량 예측을 위한 신경망 설계에서 수직 국소성의 역할을 조사하기 위해.
• SHAP 해석 가능성 기법을 활용해 신경망 내 특성 중요도와 모델 오류 원인을 진단하기 위해.
• 기초 기반 모델이 기둥 기반 모델보다 정확도와 일반화 능력 사이의 더 나은 트레이드오프를 제공하는지 평가하기 위해.

제안 방법

• 세 가지 다른 신경망 아키텍처를 훈련함: 하나는 완전한 수직 국소성 가정(기둥 기반), 하나는 제한된 수직 맥락 가정(이웃 기반), 하나는 수직 국소성 없음 가정(전체 영역 기반).
• 훈련 데이터는 고해상도 ICON 폭풍 해상도 시뮬레이션의 해상도가 낮은 출력에서 유래함 (전 세계 QUBICC 및 지역 NARVAL).
• 모델은 기온, 기압, 특정 수증기, 구름 얼음 등의 해상도가 낮은 대기 상태 변수에서 구름 체적 분율과 구름 면적 분율을 예측함.
• SHapley Additive ExPlanations (SHAP)는 모델 예측을 입력 특성에 기여도를 할당하여 오차 분해 및 모델 간 비교를 가능하게 함.
• 모델 성능은 원래 폭풍 해상도 시뮬레이션의 참값과 비교하여 평가됨.
• SHAP 분 析를 위한 기초 데이터 세트를 구성하여, 다양한 모델 간 특성 중요도 비교에 있어 안정적인 기초 값 보장을 함.

실험 결과

연구 질문

• RQ1 딥러닝 신경망이 해상도가 낮은 폭풍 해상도 시뮬레이션 데이터로 훈련된 후, ICON 모델의 하위그리드 규모의 구름량을 정확히 재현할 수 있는가?
• RQ2 신경망 아키텍처의 수직 국소성 정도가 예측 정확도와 다양한 공간 영역 간 일반화에 어떤 영향을 미치는가?
• RQ3 전 세계적으로 훈련된 신경망이 다른 모델 설정을 가진 지역 시뮬레이션으로 일반화할 수 있는 정도는 어느 정도인가?
• RQ4 신경망이 가장 많이 의존하는 대기 변수는 무엇이며, 이는 모델 오류와 어떤 관련이 있는가?
• RQ5 SHAP 기반 해석 가능성은 지역 및 전 세계적으로 훈련된 모델 간 특성 중요도의 체계적 차이를 드러낼 수 있는가?

주요 결과

• 세 가지 신경망 아키텍처는 훈련 데이터의 지리적 특성과 일치하는 해상도가 낮은 데이터에서 하위그리드 규모의 구름량을 정확하게 추정한다.
• 전 세계적으로 훈련된 신경망은 지역 폭풍 해상도 시뮬레이션에서의 구름량 예측에 성공적으로 일반화되며, 높은 전이 가능성(transferability)을 보여준다.
• SHAP 분석은 기둥 기반 신경망이 특정 수증기와 구름 얼음을 과도하게 강조하여, 전 세계에서 지역 데이터로의 일반화를 제한함을 드러낸다.
• 해석 가능성 도구는 지역 및 전 세계적으로 훈련된 기둥 기반 모델이 유사한 특성 중요도 패턴을 보이며, 구름량 예측이 지역 열역학 환경과 강하게 연관됨을 보여준다.
• 이 연구는 이웃 기반 모델이 순수 기둥 기반 모델보다 정확도와 일반화 능력 사이의 더 나은 균형을 이룰 수 있음을 시사한다.
• 결과는 딥러닝이 기후 모델에 통합 가능한 정확하고 해석 가능하며 전이 가능한 구름량 파rameterization을 생성할 수 있음을 입증한다.