[논문 리뷰] Statistics of extreme events in coarse-scale climate simulations via machine learning correction operators trained on nudged datasets

Alexis-Tzianni Charalampopoulos, Shixuan Zhang외 3명|arXiv (Cornell University)|2023. 04. 04.

Climate variability and models인용 수 5

한 줄 요약

이 논문은 약간의 유도를 가한, 해상도가 낮은 E3SM 시뮬레이션을 기반으로 신경 연산자를 훈련시켜 자유주행 기후 모델 출력을 보정하는 비침습적 기계학습 보정 프레임워크를 제안한다. ERA5 재분석 자료를 기준으로 삼아, 토네이도 빈도와 대기 강수량 유형 발생 빈도를 포함한 극단적 사건 통계를 정확히 재현하며, 보정되지 않은 낮은 해상도 시뮬레이션보다는 크게 향상되었고, 안정성과 새로운 데이터에 대한 일반화 능력도 유지한다.

ABSTRACT

This work presents a systematic framework for improving the predictions of statistical quantities for turbulent systems, with a focus on correcting climate simulations obtained by coarse-scale models. While high resolution simulations or reanalysis data are available, they cannot be directly used as training datasets to machine learn a correction for the coarse-scale climate model outputs, since chaotic divergence, inherent in the climate dynamics, makes datasets from different resolutions incompatible. To overcome this fundamental limitation we employ coarse-resolution model simulations nudged towards high quality climate realizations, here in the form of ERA5 reanalysis data. The nudging term is sufficiently small to not pollute the coarse-scale dynamics over short time scales, but also sufficiently large to keep the coarse-scale simulations close to the ERA5 trajectory over larger time scales. The result is a compatible pair of the ERA5 trajectory and the weakly nudged coarse-resolution E3SM output that is used as input training data to machine learn a correction operator. Once training is complete, we perform free-running coarse-scale E3SM simulations without nudging and use those as input to the machine-learned correction operator to obtain high-quality (corrected) outputs. The model is applied to atmospheric climate data with the purpose of predicting global and local statistics of various quantities of a time-period of a decade. Using datasets that are not employed for training, we demonstrate that the produced datasets from the ML-corrected coarse E3SM model have statistical properties that closely resemble the observations. Furthermore, the corrected coarse-scale E3SM output for the frequency of occurrence of extreme events, such as tropical cyclones and atmospheric rivers are presented. We present thorough comparisons and discuss limitations of the approach.

연구 동기 및 목표

• 자체 역학 방정식을 변경하지 않고도 해상도가 낮은 기후 시뮬레이션의 통계 정확도를 향상시키기 위해.
• 고해상도와 저해상도 기후 시뮬레이션 간의 혼돈적 발산 문제를 해결하기 위해, 서로 다른 데이터셋 간의 직접적인 기계학습 훈련을 방지하기 위해.
• 자유주행 저해상도 시뮬레이션의 안정성과 물리적 일관성을 유지하면서도 비침습적이고 후처리 기반의 보정 방법을 개발하기 위해.
• 저해상도 모델 출력만을 사용하여, 토네이도와 대기 강수량 유형과 같은 비정규 분포 통계 및 극단적 사건 빈도를 정확히 예측할 수 있도록 하기 위해.
• 10년간의 실제 대기 데이터를 활용하여 검증하여, ERA5 재분석 기준과의 유사도를 입증하기 위해.

제안 방법

• ERA5 재분석 궤적을 따라 유도된 약한 E3SM 시뮬레이션을 사용하여, 호환 가능한 입력-출력 쌍을 생성하기 위해 기계학습 연산자를 훈련한다.
• 유도된 E3SM 출력을 입력으로, ERA5 자료를 목표 출력으로 삼아, 신경망(특히 LSTM 기반 연산자)을 훈련시켜 보정 맵을 학습한다.
• 훈련된 보정 연산자를 후처리 단계에 적용하여, 유도 없이 자유주행 E3SM 시뮬레이션에 적용하여 고정밀도 통계 출력을 생성한다.
• 에너지 스펙트럼을 기준 데이터와 더 잘 일치시키기 위해 신경망 출력에 스펙트럼 보정을 적용한다.
• 전 세계적으로 수증기 수송 통계(IVT)를 평가하기 위해 25개의 하위영역으로 분할하는 방식을 사용한다.
• 훈련에 사용되지 않은 독립적인 ERA5 자료를 활용하여 검증하며, 바람, 온도, 습도 및 극단적 사건의 글로벌 및 지역 통계에 집중한다.

실험 결과

연구 질문

• RQ1 유도된 낮은 해상도 시뮬레이션에서 훈련된 기계학습 보정 연산자가 바람 속도, 온도, 수증기 농도와 같은 대기 변수의 비정규 분포 통계를 정확히 재현할 수 있는가?
• RQ2 이 방법이 저해상도 기후 모델에서의 토네이도 빈도를 부족하게 예측하는 문제를 어느 정도 보정할 수 있는가?
• RQ3 대기 강수량 유형 빈도와 강도와 같은 극단적 사건 통계에서, ML 보정 출력이 ERA5 재분석 자료와 얼마나 잘 일치하는가?
• RQ4 비침습적 후처리 보정 접근법이 온라인 보정 기반의 수치적 불안정성 문제를 피할 수 있는가?
• RQ5 유도 없이 자유주행 시뮬레이션에 적용했을 때도, 장기적인 통계적 특성을 정확히 유지할 수 있는가?

주요 결과

• ML 보정된 E3SM 시뮬레이션은 평균 수증기 수송(IVT) 예측의 평균제곱오차를 유도된 데이터셋 대비 25% 감소시켰으며, ERA5 자료와의 일치도가 뛰어나게 향상되었다.
• 보정된 모델은 2007–2017년 기간 동안 전 세계적으로 411개의 토네이도를 예측하여, ERA5 기준치인 488개에 근접했고, 보정되지 않은 CLIM 시뮬레이션은 단지 404개를 예측했다.
• 모델은 바람 성분(U, V), 온도(T), 수증기 농도(Q)의 확률밀도함수 비정규 尾(꼬리)를 성공적으로 포착했으며, CLIM 및 유도된 시뮬레이션보다 뛰어난 성능을 보였다.
• 보정 연산자는 특히 북태평양과 북대서양과 같은 핵심 지역에서 대기 강수량 유형의 공간 분포와 빈도를 정확히 재현했다.
• 저해상도 모델(CLIM)이 대서양에서 토네이도 형성에 필요한 코리올리력이 부족한 상황에서도, 이 방법은 극단적 사건 통계를 예측하는 데 있어 강건함을 보였다.
• 스펙트럼 보정은 보정된 출력의 에너지 스펙트럼이 기준 ERA5 자료와 더 잘 일치하도록 하여, 전체적인 통계 정밀도를 향상시켰다.