[논문 리뷰] Reduced Order Probabilistic Emulation for Physics-Based Thermosphere Models

Richard J. Licata, Piyush M. Mehta|arXiv (Cornell University)|2022. 11. 08.

Ionosphere and magnetosphere dynamics인용 수 4

한 줄 요약

이 논문은 주성분 분석(PCA)과 앙상블 장기 단기 기억(LSTM) 신경망을 활용하여 물리 기반의 열권 밀도 예측 모델인 TIE-GCM의 계산 속도를 향상시키고 불확실성을 정량화하는 감소된 차수의 확률적 에미레이터(TIE-GCM ROPE)를 제안한다. 2003년 할로윈 스톰 기간 동안 위성 궤도 예측에서 5km 이내의 편차를 달성하였으며, 결정론적 선형 모델 대비 성능을 2배 향상시켰고, 몬테카를로 샘플링을 통해 校정된 불확실성 분포를 제공한다.

ABSTRACT

The geospace environment is volatile and highly driven. Space weather has effects on Earth's magnetosphere that cause a dynamic and enigmatic response in the thermosphere, particularly on the evolution of neutral mass density. Many models exist that use space weather drivers to produce a density response, but these models are typically computationally expensive or inaccurate for certain space weather conditions. In response, this work aims to employ a probabilistic machine learning (ML) method to create an efficient surrogate for the Thermosphere Ionosphere Electrodynamics General Circulation Model (TIE-GCM), a physics-based thermosphere model. Our method leverages principal component analysis to reduce the dimensionality of TIE-GCM and recurrent neural networks to model the dynamic behavior of the thermosphere much quicker than the numerical model. The newly developed reduced order probabilistic emulator (ROPE) uses Long-Short Term Memory neural networks to perform time-series forecasting in the reduced state and provide distributions for future density. We show that across the available data, TIE-GCM ROPE has similar error to previous linear approaches while improving storm-time modeling. We also conduct a satellite propagation study for the significant November 2003 storm which shows that TIE-GCM ROPE can capture the position resulting from TIE-GCM density with < 5 km bias. Simultaneously, linear approaches provide point estimates that can result in biases of 7 - 18 km.

연구 동기 및 목표

• 물리 기반의 TIE-GCM 열권 모델을 위한 계산 효율적인 서rogate 모델을 개발하여 실시간 또는 운영용도로 사용할 수 있도록 한다.
• 선형 감소된 차수 모델이 해결하지 못하는 비선형 역학을 포착하여 스톰 시기의 모델링 정확도를 향상시킨다.
• 운영적 응용을 위해 校정된 불확실성 정량화(UQ)를 제공하는 열권 밀도의 확률적 예측을 제공한다.
• 상태 업데이트 없이도 물리적 일관성을 유지하면서 최대 1년까지의 장기 동적 예측을 가능하게 한다.
• 극도의 공간 wea더 조건 하에서 결정론적 서rogate 모델 대비 확률적 모델링의 운영적 이점을 위성 상태 예측에 입증한다.

제안 방법

• 고차원 밀도 필드를 낮은 차원의 잠재 공간으로 투영하기 위해 TIE-GCM 출력 데이터에 주성분 분석(PCA)을 적용하여 차원 축소를 수행한다.
• 감소된 상태 시간 시리즈에 대해 앙상블 장기 단기 기억(LSTM) 신경망을 훈련시어 열권 밀도의 동적 변화를 모델링한다.
• 성능 기반 고정 가중치를 사용하여 두 개의 서로 다른 LSTM 아키텍처 예측을 조합하는 계층적 앙상블 접근법을 통해 정확도와 안정성을 향상시킨다.
• 예측 분포의 校정을 향상시키기 위해 앙상블의 몬테카를로 샘플링을 통해 불확실성 정량화를 달성한다.
• 태양활동 주기 23의 7년 치 TIE-GCM 데이터와 추가로 시뮬레이션된 드라이버(Sim1) 1년치 데이터를 사용하여 스톰 표현을 향상시킨다.
• 장기 동적 예측 및 2003년 11월 지자기 폭풍 기간 동안의 위성 전파 연구를 통해 모델 성능을 평가한다.

실험 결과

연구 질문

• RQ1 비선형 확률적 감소된 차수 모델이 지자기 폭풍 기간 동안 TIE-GCM의 열권 밀도 역학을 선형 동적 모드 분해(DMD) 기법보다 더 잘 포착할 수 있는가?
• RQ2 선형 서rogate 모델 대비 앙상블 LSTM 모델링이 장기 동적 예측 정확도를 얼마나 향상시키는가?
• RQ3 교정된 불확실성 정량화를 갖춘 계층적 앙상블 LSTM이 결정론적 모델보다 진정된 밀도 분포를 더 잘 표현할 수 있는가?
• RQ4 비선형 입력의 포함이 극도의 공간 날씨 사건 기간 동안 위성 궤도 예측의 정확도와 불확실성에 어떤 영향을 미치는가?
• RQ5 제안된 에미레이터가 상태 업데이트 없이도 장기(수일에서 수년) 예측에서 낮은 편차와 높은 신뢰성을 유지할 수 있는가?

주요 결과

• TIE-GCM ROPE는 2003년 11월 폭풍 기간 동안 TIE-GCM 대비 5km 이내의 궤도 방향 편차를 기록하였으며, 결정론적 DMDc 모델의 7–18km 편차 대비 뚜렷한 성능 향상을 보였다.
• TIE-GCM ROPE의 확률적 성격 덕분에 실제 TIE-GCM 위치가 20km 예측 분포 범위 내에 포함되며, 결정론적 모델은 오직 점 추정치만 제공한다.
• 모델은 8,700개의 시간 단계(1년 이상) 동안 약 10%의 평균 오차를 유지하여 장기 동적 예측 능력이 뛰어나다는 것을 입증하였다.
• 특히 2003년 할로윈 폭풍 기간 동안 스톰 시기 역학을 더 잘 포착하며, DMDc 모델이 밀도 변화의 전체 크기를 반영하지 못하는 데서 성능이 뛰어나다.
• 계층적 앙상블 접근법이 필수적이며, 개별 아키텍처의 과도한 자신감을 완화하고 다양한 폭풍 조건에서 불확실성의 校정을 향상시킨다.
• LSTM 프레임워크 내 비선형 입력의 사용은 선형 입력 DMDc 모델 대비 편차를 약 절반으로 줄여주며, 극단적 사건에 대한 비선형 모델링의 이점을 입증한다.