[논문 리뷰] Coupled Ocean-Atmosphere Dynamics in a Machine Learning Earth System Model

Chenggong Wang, Michael S. Pritchard외 6명|arXiv (Cornell University)|2024. 06. 12.

Computational Physics and Python Applications인용 수 11

한 줄 요약

Ola AI/ML 결합 지구 시스템 모델은 SFNO로 해양과 대기 역학을 독립적으로 학습하여 6개월 앙상블 예측을 빠르게 가능하게 하고, 현실적인 해양 파동과 지하 구조를 반영한 ENSO 유사 변동을 포착한다.

ABSTRACT

Seasonal climate forecasts are socioeconomically important for managing the impacts of extreme weather events and for planning in sectors like agriculture and energy. Climate predictability on seasonal timescales is tied to boundary effects of the ocean on the atmosphere and coupled interactions in the ocean-atmosphere system. We present the Ocean-linked-atmosphere (Ola) model, a high-resolution (0.25°) Artificial Intelligence/ Machine Learning (AI/ML) coupled earth-system model which separately models the ocean and atmosphere dynamics using an autoregressive Spherical Fourier Neural Operator architecture, with a view towards enabling fast, accurate, large ensemble forecasts on the seasonal timescale. We find that Ola exhibits learned characteristics of ocean-atmosphere coupled dynamics including tropical oceanic waves with appropriate phase speeds, and an internally generated El Niño/Southern Oscillation (ENSO) having realistic amplitude, geographic structure, and vertical structure within the ocean mixed layer. We present initial evidence of skill in forecasting the ENSO which compares favorably to the SPEAR model of the Geophysical Fluid Dynamics Laboratory.

연구 동기 및 목표

• 계절 예측을 위한 전적으로 결합된 ML 해양-대기 모델의 타당성을 입증한다.
• Ola가 ENSO 및 열대 파동을 포함한 현실적인 결합 해양-대기 역학을 학습하는지 평가한다.
• 모델이 지표와 표층 피드백을 재현하는지 평가한다.
• Ola의 ENSO 예측을 물리 기반 기준선(GFDL-SPEAR)과 비교하고 편향을 평가한다.

제안 방법

• 두 개의 SFNO 기반 신경 구성요소가 해양(F^O)과 대기(F^A)를 각각 0.25° 해상도로 모델링한다.
• Ola는 대기를 SST가, 표층 근방 바람, 2m 기온, 평균 해수면 기압이 해양에 피드되도록 선택된 경계 변수로 대기와 해양을 결합한다.
• 대기 시간 간격 = 24시간; 해양 시간 간격 = 48시간.
• 학습은 대기에 대해서는 ERA5, 해양에 대해서는 UFS-replay를 사용하고, 해양 변수에서 육지를 처리하기 위한 마스크를 사용한다.
• 자가회귀 결합은 A_t+Δt = F^A[A_t, Ō_t, Z_t] 및 O_t+Δt' = F^O[Ō_t, Ã_t, Z_t]로 진화하며, Ω와 A는 부분 관찰된 상태 벡터이고 Z_t는 태양천정각을 부호화한다.
• 예측은 LEF(Lagged Ensemble Forecasting)로 생성된다: 매달 초기화된 12개의 앙상블 멤버를 6개월까지 롤아웃한다.

실험 결과

연구 질문

• RQ1 완전 데이터 기반의 결합 대기-해양 모델이 계절 규모에서 ENSO 역학 및 열대 해양 파동 활동을 학습하고 재현할 수 있는가?
• RQ2 Ola 모델은 해수의 subsurface 온도 이상치와 수직 분포를 포함한 현실적인 3D ENSO 구조를 보이는가?
• RQ3 Ola의 ENSO 기술과 열대 편향이 물리 기반 기준선인 GFDL-SPEAR와 비교하여 어떤 차이를 보이는가?
• RQ4 특히 높은 위도 및 장기 이동에서 Ola의 주된 편향과 한계는 무엇이며 이를 어떻게 완화할 수 있는가?
• RQ5 ML 기반 결합이 프로세스 기반 모델에서 관찰되는 전통적인 서브그리드 편향(예: 이중 ITCZ, 열대 냉빗꼬리)을 얼마나 피할 수 있는가?

주요 결과

• Ola는 중간형 Central Tropical Pacific SST 변동성을 생성하고 6개월 예측에서 El Niño와 La Niña 상태를 모두 생성할 수 있다.
• Ola는 SSH 이상치의 적절한 위상 속도와 함께 적합한 위상 속도를 가진 적도 Kelvin 및 적도 밖 로스비 파동 역학을 정성적으로 현실적으로 보여준다.
• Ola의 El Niño/La Niña 합성은 수평 확장과 지하 온도 구조에서 관찰과 유사하며, Central Pacific에 주된 강조를 보인다.
• 대기 합성은 El Niño 및 La Niña와 관련된 평균 해수면 기압 패턴을 보여주지만 검증 연도가 제한되어 있어 잡음이 더 많다.
• Ola는 특히 tropical drift가 결여되어 소거되며, GFDL-SPEAR에 비해 열대 편향이 상당히 작아지는 반면 고위도 드리프트 및 장기 안정성 문제는 여전히 존재한다.
• 모델은 단일 A100 GPU에서 6개월 결합 대기-해양 상태를 1분 미만으로 예측할 수 있어 기존 모델에 비해 속도가 수십 배 빠르다.