[논문 리뷰] Parameter sensitivity analysis of a sea ice melt pond parametrisation and its emulation using neural networks

Simon Driscoll, Alberto Carrassi외 4명|arXiv (Cornell University)|2023. 04. 11.

Arctic and Antarctic ice dynamicsEarth and Planetary Sciences인용 수 3

한 줄 요약

이 연구는 Sobol 민감도 분석을 사용하여 Icepack 모델 내 해빙 융해 연못 파arametrization(MPP)의 매개변수 민감도를 조사하며, 불확실한 매개변수에 대해 높은 민감도를 보임을 확인한다. 연구는 정확하게 물리기반 MPP를 대체할 수 있는 데이터 기반 신경망 에미레이터를 제안하고 검증하였으며, 입력 복잡도를 감소시켜도 장기적인 행동이 유사하게 유지됨을 보여주어 기후 모델의 보다 향상되고 해석 가능하며 효율적인 미세구조 파arametrization으로 향한 유망한 길을 제시한다.

ABSTRACT

Accurate simulation of sea ice is critical for predictions of future Arctic sea ice loss, looming climate change impacts, and more. A key feature in Arctic sea ice is the formation of melt ponds. Each year melt ponds develop on the surface of the ice and primarily via affecting the albedo, they have an enormous effect on the energy budget and climate of the Arctic. As melt ponds are subgrid scale and their evolution occurs due to a number of competing, poorly understood factors, their representation in models is parametrised. Sobol sensitivity analysis, a form of variance based global sensitivity analysis is performed on an advanced melt pond parametrisation (MPP), in Icepack, a state-of-the-art thermodynamic column sea ice model. Results show that the model is very sensitive to changing its uncertain MPP parameter values, and that these have varying influences over model predictions both spatially and temporally. Such extreme sensitivity to parameters makes MPPs a potential source of prediction error in sea-ice model, given that the (often many) parameters in MPPs are usually poorly known. Machine learning (ML) techniques have shown great potential in learning and replacing subgrid scale processes in models. Given the complexity of melt pond physics and the need for accurate parameter values in MPPs, we propose an alternative data-driven MPPs that would prioritise the accuracy of albedo predictions. In particular, we constructed MPPs based either on linear regression or on nonlinear neural networks, and investigate if they could substitute the original physics-based MPP in Icepack. Our results shown that linear regression are insufficient as emulators, whilst neural networks can learn and emulate the MPP in Icepack very reliably. Icepack with the MPPs based on neural networks only slightly deviates from the original Icepack and overall offers the same long term model behaviour.

연구 동기 및 목표

• 전역 분산 기반 민감도 분석을 사용하여 융해 연못 파arametrization(MPP)의 불확실한 매개변수 변화가 해빙 모델 출력에 미치는 영향을 평가하기.
• 기계학습, 특히 신경망이 Icepack 모델 내 물리기반 MPP를 효과적으로 에미레이트할 수 있는지 평가하기.
• 데이터 기반 MPP 에미레이터의 최소화된, 그러나 정확한 입력 변수 집합을 특성 선택을 통해 규명하기.
• 기존 물리기반 MPP를 데이터 기반 에미레이터로 대체할 수 있는 가능성을 탐색하기

제안 방법

• Sobol 민감도 분석을 수행하여 Icepack 내 레벨 빙판 MPP의 시간과 공간에 따른 모델 출력에 대한 매개변수 영향을 정량화하기.
• 물리기반 MPP에서 생성된 합성 훈련 데이터를 사용하여 선형 회귀 및 비선형 신경망 모델을 훈련하여 MPP의 입력-출력 행동을 에미레이트하기.
• 상호정보량을 사용한 특성 선택을 수행하여 입력 변수 중 가장 정보가 많은 변수를 식별하고 에미레이터 입력의 차원을 감소시키기.
• 온라인 모드에서 에미레이터를 검증하기 위해 전체 Icepack 모델에 통합하여 장기 시뮬레이션의 정확도 평가하기.
• 모델 출력 정확도와 계산 효율성 측면에서 신경망 에미레이터가 원본 MPP 및 선형 회귀 에미레이터와 비교하여 성능을 평가하기.
• 미래 연구에서 관측 데이터를 활용할 잠재성을 탐색하며, 데이터 희소성과 노이즈 문제에 대비해 데이터 융합 및 기계학습 기법의 조합을 제안하기.

Figure 1: Schematic overview of the Icepack model. Panel a: the columnar model set-up, with 4 tiles representing land, open water, slab ice (without snow) and a full ice-thickness distribution (ITD). Panel b: the most important vertical processes represented in Icepack when using the ITD. Courtesy o

실험 결과

연구 질문

• RQ1 Icepack 모델은 그의 융해 연못 파arametrization(MPP) 매개변수의 변동에 대해 얼마나 민감한가?
• RQ2 특히 신경망을 포함한 기계학습 모델이 해빙 모델 내 물리기반 MPP의 행동을 정확하게 에미레이트할 수 있는가?
• RQ3 데이터 기반 MPP 에미레이터가 높은 예측 정확도를 유지하기 위해 가장 중요한 입력 변수는 무엇인가?
• RQ4 원래 MPP보다 더 적은 입력 변수를 사용하는 단순화된 에미레이터가 전체 물리기반 MPP와 유사한 성능을 달성할 수 있는가?
• RQ5 데이터 기반 MPP 에미레이터가 기존 파arametrization에 비해 계산 효율성과 해석 가능성 측면에서 어느 정도 향상될 수 있는가?

주요 결과

• Icepack 모델은 융해 연못 파arametrization의 매개변수에 대해 높고 공간적으로 비균일한 민감도를 보이며, 이는 작은 매개변수 불확실성이 큰 예측 오차로 이어질 수 있음을 시사한다.
• 선형 회귀 모델은 온라인 모드에서 MPP를 에미레이트하는 데 부적합하여 원본 Icepack 행동을 재현하지 못했으며, 이는 복잡한 비선형 과정에 대해 선형 근사의 한계를 드러낸다.
• 신경망 에미레이터는 Icepack 내 물리기반 MPP를 성공적으로 대체하였으며, 원본 모델과의 차이가 미미하고 장기적인 모델 행동을 유지하였다.
• 상호정보량 기반 특성 선택을 통해 이전 타임스텝의 연못 면적 비율, 연못 높이, 다시 freezing된 라이드 높이, 근표면 및 기온,积눈 녹는 속도 등과 같은 감소된 입력 변수 집합이 높은 성능의 에미레이션에 충분함을 규명하였다.
• 최종적으로 작은 신경망 에미레이터는 원래 MPP보다 더 적은 입력을 사용하면서도 양호한 성능을 달성하여 계산 효율성 향상과 더 나은 물리적 해석 가능성 확보를 가능하게 하였다.
• 이 연구는 기존의 과도하게 파arametrized된 MPP를 더 정확하고 효율적이며 해석 가능한 에미레이터로 대체할 수 있는 실현 가능한 데이터 기반 접근법을 입증하였다.

Figure 2: Probability distribution functions we sample from using the SALib library for sensitivity analysis, for the 5 parameters invoked in the level-ice melt pond parametrisation with the mushy thermodynamics scheme (triangular and uniform). Red lines indicate default parameter values in the mode