[논문 리뷰] Emulating Fast Processes in Climate Models

Noah Brenowitz, W. A. Perkins외 7명|arXiv (Cornell University)|2022. 11. 19.

Meteorological Phenomena and Simulations인용 수 14

한 줄 요약

이 논문은 응결 및 강수와 같은 빠른 상전이를 포함한 전체 구름 미생물학적 파rameterization에 대한 최초의 머신러닝 에뮬레이터를 제시한다. 격점 국소 다층퍼셉트론과 강화학습 기반 순환신경망(RNN)을 융합한 하이브리드 딥러닝 접근법을 사용하여, 오프라인 및 온라인 모두에서 높은 정확도를 달성했지만, 복잡한 상역학적 역학과 시간스케일 분리로 인해 남극 지역에서 편향이 발생함을 확인하였다.

ABSTRACT

Cloud microphysical parameterizations in atmospheric models describe the formation and evolution of clouds and precipitation, a central weather and climate process. Cloud-associated latent heating is a primary driver of large and small-scale circulations throughout the global atmosphere, and clouds have important interactions with atmospheric radiation. Clouds are ubiquitous, diverse, and can change rapidly. In this work, we build the first emulator of an entire cloud microphysical parameterization, including fast phase changes. The emulator performs well in offline and online (i.e. when coupled to the rest of the atmospheric model) tests, but shows some developing biases in Antarctica. Sensitivity tests demonstrate that these successes require careful modeling of the mixed discrete-continuous output as well as the input-output structure of the underlying code and physical process.

연구 동기 및 목표

• 응결 및 강수와 같은 빠른 상전이를 포함한 전체 구름 미생물학적 과정을 위한 머신러닝 에뮬레이터 개발
• 기존 느린 포트란 기반 파rameterization을 더 빠른 ML 기반 대체물로 대체하여 기후 모델의 계산 효율성 향상
• 보존 법칙, 격점 국소성, 혼합 이산-연속 출력 구조를 고려한 물리적 일관성 확보
• 복사 과정보다는 계산 비용이 낮지만 이전에는 에뮬레이션되지 않았던 빠른 대기 과정에 대한 ML 에뮬레이션의 가능성 테스트

제안 방법

• 140km 해상도와 79개 수직 레벨에서 단순화된 Zhao-Carr 미생물학적 파rameterization을 적용한 FV3GFS 모델을 실행하여 학습 데이터 생성
• 온도, 수증기, 기압을 입력으로 사용하고 순수 응결 변화를 예측하는 다층퍼셉트론(MLP)을 사용해 격점 응결 하위루틴(gscond)을 에뮬레이트
• 강우 과정(prepcd)을 모델링하기 위해 순환신경망(RNN)을 사용하여 수증기의 하향 운동을 순서 기반 모델링으로 강제 적용
• 공기 중 수증기 상태가 0인 경우를 탐지하고 이를 기반으로 응결이 0이 되도록 강제하는 분류기 도입으로 물리적 일관성 향상
• 냉각 지역에서의 학습 안정성을 확보하기 위해 온도에 따라 표준편차로 응결률 정규화
• 총 수증기 보존을 확보하기 위해 스펙트럼 수증기 변화량을 −Δgc로 설정

실험 결과

연구 질문

• RQ1 머신러닝 모델이 응결 및 강수와 같은 빠른 상전이를 포함한 전체 구름 미생물학적 과정을 오프라인 및 온라인 환경 모두에서 정확하게 에뮬레이트할 수 있는가?
• RQ2 예를 들어 0구름 상태와 상전이 등 혼합 이산-연속 출력 구조는 에뮬레이터 성능과 설계에 어떤 영향을 미치는가?
• RQ3 강우 과정에 RNN을 사용하는 것과 같은 아키텍처 선택은 표준 전방향 신경망 대비 온라인 성능 향상에 어떻게 기여하는가?
• RQ4 전반적인 성능은 뛰어나지만 남극 지역에서 편향이 발생하는 이유는 무엇이며, 이는 시간스케일 분리가 심한 과정에 대한 ML 에뮬레이션에 어떤 시사점을 제공하는가?
• RQ5 보존 법칙과 격점 국소성과 같은 물리적 제약 조건을 신경망 아키텍처에 얼마나 잘 통합할 수 있으며, 이는 일반화 능력 향상에 어떤 영향을 미치는가?

주요 결과

• 최종 에뮬레이터는 다이나믹 코어에 연결된 상태에서 기온 변화(ΔαT)에 대해 94.1%의 온라인 정확도, 응결물 변화(Δαc)에 대해 93.9%의 온라인 정확도를 달성하여 뛰어난 성능을 보였다.
• 0구름 상태와 0응결 상태를 강제 적용하는 분류기 도입으로 7월 15일 기준 응결수량 편향이 64.2 g m⁻²에서 7.6 g m⁻²로 감소하여 정확도가 크게 향상됨.
• 강우 과정의 방향성과 순차적 특성을 더 잘 모델링할 수 있었기 때문에, 온라인 테스트에서 RNN이 전방향 신경망보다 성능이 뛰어남.
• 모델은 남극 지역에서 특히 고위도 및 상층 대기권 지역에서 편향이 발생하기 시작함. 이는 복잡한 상역학적 역학과 시간스케일 분리로 인한 것으로 보임.
• 온도 구간별로 응결률을 정규화하는 조치가 냉각 지역에서의 성능 향상에 기여하였으며, 입력 스케일링에 대한 민감도를 부각함.
• 응결과 강우 과정을 별도로 모델링한 것이 온라인 정확도 향상에 가장 큰 기여를 하였으며, 이는 모델 설계 시 물리적 과정의 구조를 정확히 반영하는 것이 중요함을 시사함.