[논문 리뷰] Ensemble-Based Experimental Design for Targeting Data Acquisition to Inform Climate Models

Oliver R. A. Dunbar, Michael F. Howland외 2명|arXiv (Cornell University)|2022. 01. 12.

Climate variability and models참고 문헌 101인용 수 12

한 줄 요약

이 논문은 기후 모델에서 매개변수 불확실성 감소를 위해 정보 수확을 극대화하는 데 목표를 둔 앙상블 기반 베이지안 실험 설계 알고리즘을 제안한다. 캘리브레이트-임모레이트-샘플(CES) 프레임워크를 사용하여 고해상도 시뮬레이션 또는 관측을 위한 최적의 공간 및 시간적 위치—특히 열대비합대류권역(ITCZ) 근처—를 식별함으로써, 추가적인 모델 평가를 최소화하면서 효율적인 불확실성 정량화를 달성한다.

ABSTRACT

Data required to calibrate uncertain GCM parameterizations are often only available in limited regions or time periods, for example, observational data from field campaigns, or data generated in local high-resolution simulations. This raises the question of where and when to acquire additional data to be maximally informative about parameterizations in a GCM. Here we construct a new ensemble-based parallel algorithm to automatically target data acquisition to regions and times that maximize the uncertainty reduction, or information gain, about GCM parameters. The algorithm uses a Bayesian framework that exploits a quantified distribution of GCM parameters as a measure of uncertainty. This distribution is informed by time-averaged climate statistics restricted to local regions and times. The algorithm is embedded in the recently developed calibrate-emulate-sample (CES) framework, which performs efficient model calibration and uncertainty quantification with only $\mathcal{O}(10^2)$ model evaluations, compared with $\mathcal{O}(10^5)$ evaluations typically needed for traditional approaches to Bayesian calibration. We demonstrate the algorithm with an idealized GCM, with which we generate surrogates of local data. In this perfect-model setting, we calibrate parameters and quantify uncertainties in a quasi-equilibrium convection scheme in the GCM. We consider targeted data that are (i) localized in space for statistically stationary simulations, and (ii) localized in space and time for seasonally varying simulations. In these proof-of-concept applications, the calculated information gain reflects the reduction in parametric uncertainty obtained from Bayesian inference when harnessing a targeted sample of data. The largest information gain typically, but not always, results from regions near the intertropical convergence zone (ITCZ).

연구 동기 및 목표

• 공간적·시간적으로 제한된 데이터 조건에서 불확실한 기후 모델 매개변수화를 校정하기 위해 효율적인 데이터 확보 전략을 수립하는 데 도전한다.
• 추가적인 데이터 수집을 위한 가장 정보가 많은 지역과 시기(시기)를 식별하여 일반 순환 모델(GCMs)의 매개변수 불확실성을 감소시킨다.
• 기존의 CES 프레임워크 출력을 활용하여 추가적인 GCM 평가 없이도 계산 효율성이 높은 알고리즘을 개발한다.
• 통계적으로 정적인 시뮬레이션과 계절 변화가 있는 시뮬레이션을 모두 포함한 이상화된 GCM 환경에서 이 방법의 효과성을 입증한다.
• 고해상도 시뮬레이션 및 관측 캠페인에 실용적으로 적용할 수 있도록 확장 가능하고 자동화된 타겟팅 전략을 제공한다.

제안 방법

• 시간 평균 기후 통계량을 데이터로 사용하여 매개변수 校정 문제를 베이지안 역문제로 공식화한다.
• 사전 분포와 사후 분포 간의 정보 엔트로피 손실을 기반으로 한 유틸리티 함수를 도입하여 정보 수확을 정량화한다.
• 캘리브레이트-임모레이트-샘플(CES) 프레임워크 내부에 베이지안 실험 설계를 통합하여, 오직 O(10²)회의 GCM 평가로도 효율적인 불확실성 정량화를 가능하게 한다.
• CES 캘리브레이션 샘플에 기반한 가우시안 프로세스 임모레이터를 사용하여 모델 출력을 근사하고, GCM 재실행 없이 사후 분포를 계산한다.
• 영역 전역에서 정보 수확 유틸리티 함수를 최대화함으로써 최적의 설계 점(공간적·시간적)을 자동으로 식별한다.
• 합성 국지 데이터를 사용하여 고해상도 시뮬레이션 또는 관측을 시뮬레이션하는 이상화된 수증기 기반 GCM에 이 방법을 적용한다.

실험 결과

연구 질문

• RQ1 기후 모델 매개변수화의 불확실성을 가장 효과적으로 감소시키기 위해 추가 데이터를 어디서, 언제 확보해야 하는가?
• RQ2 기존의 불확실성 정량화 프레임워크(예: CES)에 베이지안 실험 설계를 효율적으로 통합하여 추가적인 계산 비용 없이 구현할 수 있는가?
• RQ3 데이터의 공간적·시간적 국소화가 매개변수 캘리브레이션을 위한 최대 정보 수확에 미치는 영향은 무엇인가?
• RQ4 통계적으로 정적인 조건과 계절 변화가 있는 조건과 같은 다양한 기후 제도에서 알고리즘이 어떻게 성능을 발휘하는가?
• RQ5 노이즈가 있거나 데이터가 흐물흐물한 조건에서 알고리즘이 가장 정보가 많은 지역(예: ITCZ)을 정확히 식별할 수 있는가, 그리고 얼마나 강인한가?

주요 결과

• 최대 정보 수확을 위한 최적의 데이터 확보 지역은 일반적으로 열대비합대류권역(ITCZ) 근처에 위치해 있으며, 특히 계절 변화가 있는 시뮬레이션에서 그러하다.
• 좁은 공간 설계(ℓ=1)의 경우, 통계적으로 정적인 조건에서는 ITCZ가 주요 관심 영역임에도 불구하고, 아시아 열대 강수량 최소 지역이 최적의 위치로 식별되었다.
• 계절 변화가 있는 경우, 알고리즘은 ITCZ를 주요 타겟으로 정확히 식별하였으며, 여름 열대 지역의 보조 최대값도 발견하여 그 지역의 대류 활동이 물리적으로 중요한 것을 반영하였다.
• 전통적인 MCMC 방법이 일반적으로 요구하는 O(10⁵)회의 평가를 피하면서도, CES 프레임워크를 활용하여 상당한 불확실성 감소를 달성하였다.
• 데이터가 노이즈가 있거나 평균화 시간 스케일과 스텐실 크기가 감소할 경우, 샘플링 변동성과 모델 오차 증폭으로 인해 정보 내용 예측 정확도가 저하되었다.
• 매개변수의 사후 분포는 접근 가능하고 진단 가능하여, 현재의 사후 분포를 다음 설계 사이클의 사전 분포로 사용함으로써 반복적인 개선이 가능하다.