[論文レビュー] Neural General Circulation Models for Weather and Climate

Dmitrii Kochkov, Janni Yuval+14 more|arXiv (Cornell University)|Nov 13, 2023

Meteorological Phenomena and Simulations被引用数 24

ひとこと要約

NeuralGCM は、地球大気の完全微分可能なハイブリッド一般循環モデルの最初のもので、神経パラメータ化物理モジュールと微分可能な力学コアを組み合わせ、最新の天気・気候予測と同等の精度を実現しつつ大規模計算節約を可能にします。

ABSTRACT

General circulation models (GCMs) are the foundation of weather and climate prediction. GCMs are physics-based simulators which combine a numerical solver for large-scale dynamics with tuned representations for small-scale processes such as cloud formation. Recently, machine learning (ML) models trained on reanalysis data achieved comparable or better skill than GCMs for deterministic weather forecasting. However, these models have not demonstrated improved ensemble forecasts, or shown sufficient stability for long-term weather and climate simulations. Here we present the first GCM that combines a differentiable solver for atmospheric dynamics with ML components, and show that it can generate forecasts of deterministic weather, ensemble weather and climate on par with the best ML and physics-based methods. NeuralGCM is competitive with ML models for 1-10 day forecasts, and with the European Centre for Medium-Range Weather Forecasts ensemble prediction for 1-15 day forecasts. With prescribed sea surface temperature, NeuralGCM can accurately track climate metrics such as global mean temperature for multiple decades, and climate forecasts with 140 km resolution exhibit emergent phenomena such as realistic frequency and trajectories of tropical cyclones. For both weather and climate, our approach offers orders of magnitude computational savings over conventional GCMs. Our results show that end-to-end deep learning is compatible with tasks performed by conventional GCMs, and can enhance the large-scale physical simulations that are essential for understanding and predicting the Earth system.

研究の動機と目的

• 従来の GCM パラメータ化を、学習可能な要素と置換または補強する動機づけを行い、予測能力と不確実性の定量化を改善する。
• ダイナミカルコアとエンドツーエンドで訓練されたニューラル物理モジュールを統合した、完全に微分可能なハイブリッドモデルを開発する。
• 天気から気候規模にわたる正確な決定論的およびアンサンブル予測を可能にし、複数日予測や10年規模のシミュレーションを含む。
• 季節的変動、熱帯低気圧などの現実的な気候特徴を再現し、長期間の積分でも安定性を維持できることを示す。
• 従来モデルと比較した計算効率を定量化し、一般化能力と物理的一貫性を評価する。

提案手法

• 水分を含む静水原方程式を横方向の疑似スペクトル離散化と垂直シグマ座標を用いて解く、微分可能なダイナミカルコアを用いる。
• 列をまたぐ重みを共有するエンコード-プロセス-デコード構造を用いて、未解決過程（雲・放射・降水など）をパラメータ化する単一カラムのニューラルネットワークを実装。
• ERA5の圧力レベルデータとモデルのシグマ座標レベルの間を写像するエンコーダ/デコーダを導入し、初期化ショックを減らすためのインターフェースの学習補正を含める。
• ロールアウトベースのオンライン訓練でエンドツーエンド訓練を行い、予測時間を時間単位から最大5日へ徐々に拡張し、スペクトル空間と格子空間での精度、シャープネス、およびバイアスのバランスを取る損失を用いる。
• 確率性を組み込み、CRPSベースの損失と学習された時空相関を持つガウス乱流ノイズを用いてアンサンブル予測を生成する。
• 32の垂直レベルを持つ複数解像度（2.8°, 1.4°, 0.7°）で評価し、決定論的および確率的バリアントをECMWF-ENS/HRES、GraphCast、Panguと比較し、SST/SIが与えられた気候シミュレーションを実施する。

実験結果

リサーチクエスチョン

• RQ1 完全に微分可能なハイブリッドGCMは、1日から15日の範囲の最先端の決定論的およびアンサンブル天気予測に匹敵できるか。
• RQ2 エンドツーエンド訓練されたニューラルパラメータ化と微分可能なダイナミックコアを組み合わせることで、現実的な突発現象を備えた長期の気候シミュレーションが安定して生じるか。
• RQ3 NeuralGCMのアンサンブル予測は、伝統的なアンサンブル予測と比較して適合度（CRPS, スプレッド-スキル）が高いか。
• RQ4 従来のパラメータ化を学習された要素に置換する際の計算的トレードオフとスケーラビリティの利得は何か。
• RQ5 AMIP様式の設定下で、熱帯旋風の軌跡、ハドレー循環、モンスーン、季節的循環といった主要な気候特性をNeuralGCMが再現できるか。

主な発見

• NeuralGCM は、1-10日間の決定論的予測と1-15日間のアンサンブル予測で最先端モデルと競合する精度を達成。
• Stochastic NeuralGCM-ENS は ECMWF-ENS よりほとんどの変数とリードタイムでアンサンブル平均 RMSE および CRPS が低く、スプレッド-スキル比はほぼ1に近い。
• coarser resolutions (2.8°–1.4°) で、NeuralGCM は AMIP様式の実行下で季節的循環、ハドレー循環、モンスーン、熱帯低気象の現実的な気候挙動を模擬できる。
• SST が規定された40年の AMIP様式実験で、NeuralGCM は過去の温度傾向を捉え、いくつかの AMIP ベースラインと比較して温度バイアスを低減し、熱帯の暖化構造を現実的に維持する。
• NeuralGCM は ECMWF IFS および雲解像モデルと比較して横方向解像度を8〜40倍粗くして動作可能で、3〜5桁の計算速度向上を実現し、計算資源の大幅な節約を提供する。
• ケーススタディでは NeuralGCM が生成する熱帯低気象の軌跡と頻度が再格子化時に ERA5 に近く、現実的な極端天候挙動を示す。