[논문 리뷰] Stable Machine-Learning Parameterization of Subgrid Processes in a Comprehensive Atmospheric Model Learned From Embedded Convection-Permitting Simulations

Zeyuan Hu, Akshay Subramaniam외 7명|arXiv (Cornell University)|2024. 06. 28.

Distributed and Parallel Computing Systems인용 수 6

한 줄 요약

이 연구는 MMF 내에서 구름 해상 모델의 전체 물리학을 모사하는 안정적인 ML 매개변수를 학습시키며, 미세물리 제약을 가진 U-Net를 사용하여 실제 지리(real geography)를 포함한 5년 간의 온라인 하이브리드 기후 시뮬레이션을 가능하게 한다.

ABSTRACT

Modern climate projections often suffer from inadequate spatial and temporal resolution due to computational limitations, resulting in inaccurate representations of sub-grid processes. A promising technique to address this is the Multiscale Modeling Framework (MMF), which embeds a kilometer-resolution cloud-resolving model within each atmospheric column of a host climate model to replace traditional convection and cloud parameterizations. Machine learning (ML) offers a unique opportunity to make MMF more accessible by emulating the embedded cloud-resolving model and reducing its substantial computational cost. Although many studies have demonstrated proof-of-concept success of achieving stable hybrid simulations, it remains a challenge to achieve near operational-level success with real geography and comprehensive variable emulation that includes, for example, explicit cloud condensate coupling. In this study, we present a stable hybrid model capable of integrating for at least 5 years with near operational-level complexity, including coarse-grid geography, seasonality, explicit cloud condensate and wind predictions, and land coupling. Our model demonstrates skillful online performance, achieving a 5-year zonal mean tropospheric temperature bias within 2K, water vapor bias within 1 g/kg, and a precipitation RMSE of 0.96 mm/day. Key factors contributing to our online performance include an expressive U-Net architecture and physical thermodynamic constraints for microphysics. With microphysical constraints mitigating unrealistic cloud formation, our work is the first to demonstrate realistic multi-year cloud condensate climatology under the MMF framework. Despite these advances, online diagnostics reveal persistent biases in certain regions, highlighting the need for innovative strategies to further optimize online performance.

연구 동기 및 목표

• 현실적인 지리 하에서 기후 모델의 서브그리드 대류와 구름 표현 향상의 필요성을 제시한다.
• MMF 프레임워크 내에서 전체 물리학을 갖춘 구름 해상 모델(CRM)을 모사하는 ML 대체 모델을 개발한다.
• 미세물리 제약을 통합하여 장기 온라인 안정성과 현실적인 구름 기후를 달성한다.
• 오프라인 및 온라인 기술을 극대화하기 위해 ML 아키텍처(MLP 대 U-Net)와 입력 특징을 비교한다.
• Fortran 기반 기후 모델과의 ML 매개변수화 결합을 시연하고 기준 MMF 시뮬레이션에 대한 성능을 평가한다.

제안 방법

• 수직 열(column) 데이터에 맞게 조정된 기본 MLP와 1D/2D U-Net 아키텍처를 비교한다.
• 대규모 강제력, 대류 기억, 위도를 포함하도록 입력을 확장한다.
• 온도에 따라 액체/얼음으로 분할되는 총 구름 응축물을 예측하고 미세물리 제약을 도입한다.
• 온라인 안정성을 높이기 위해 성층권 기반 구름 제거 제약을 구현한다.
• 10년간의 E3SM-MMF 런에서 얻은 ClimSim 저해상도 실지리 데이터를 사용해 학습하고 오프라인 기술과 온라인 5년 시뮬레이션으로 테스트한다.
• TorchScript 기반 추론을 위해 Pytorch-Fortran을 사용해 학습된 모델을 E3SM에 결합한다.]
• table_headers:
• table_rows:

Figure 1: Assessment of the microphysical constraints. (a) The fraction of liquid cloud over total cloud as a function of temperature. This temperature-based phase partitioning holds exactly on each grid in the cloud-resolving model. (b) Histogram of the actual liquid cloud fraction in the E3SM grid

실험 결과

연구 질문

• RQ1 다년간 시뮬레이션을 위해 실제 지리에서 MMF 내 CRM을 기계학습 매개변화로 모사할 수 있는가?
• RQ2 확장된 입력을 가진 U-Net이 MMF 에뮬레이션의 오프라인 및 온라인 기술에서 MLP 베이스라인보다 성능이 우수한가?
• RQ3 구름 응축물에 대한 미세물리 제약이 온라인 안정성과 구름 기후학의 현실성에 기여하는가?
• RQ4 참조 MMF 시뮬레이션에 비해 온라인 ML-MMF 시뮬레이션의 장기 바이어스와 변동성은 어떠한가?
• RQ5 대규모 강제력과 대류 기억의 포함이 모델 성능과 안정성에 어떤 영향을 주는가?

주요 결과

• 실제 지리와 전체 물리학 에뮬레이션을 가진 제약된 U-Net으로 5년 간의 안정적인 하이브리드 MMF 시뮬레이션이 달성된다.
• 제약된 U-Net은 온라인 안정성을 개선하고 바이어스를 줄이며 5년 간의 구역 평균 온도 편향 <2 K 및 수분 편향 <1 g/kg를 달성한다.
• 전 세계 구역 평균 풍향 바이어스는 약 ~5 m/s 이내로 유지되며 구름 분포는 현실적이다.
• 오프라인 결과에서 확장 입력을 가진 U-Net이 MLP보다 구름 응축물과 바람 경향에서 더 뛰어나다.
• 비제약적 U-Net은 비물리적 구름 상(상층 대기 구름)과 과도한 액체/얼음 구름을 초래할 수 있어 미세물리 제약의 중요성을 강조한다.
• 5년 기후 상태 경향 및 강수 통계는 참고 MMF와 주요 패턴에서 유사하게 나타나나 일부 지역/극한 강수 꼬리에 대해서는 추가 개선이 필요하다.

Figure 2: (a) Offline R 2 scores across various variables for MLP, U-Net, and U-Net with physics constraints. Variables are the full target variables listed in Table 2 , including temperature tendency ( $\frac{dT}{dt}$ ), water vapor tendency ( $\frac{dQ_{\text{v}}}{dt}$ ), liquid cloud mixing ratio