[論文レビュー] Statistics of extreme events in coarse-scale climate simulations via machine learning correction operators trained on nudged datasets

Alexis-Tzianni Charalampopoulos, Shixuan Zhang+3 more|arXiv (Cornell University)|Apr 4, 2023

Climate variability and models被引用数 5

ひとこと要約

本論文は、弱いナッピングを施した粗いスケールのE3SMシミュレーションを用いてニューラルオペレータを学習させることで、自由走行気候モデルの出力を補正する、侵襲的でない機械学習補正フレームワークを提案する。ERA5再解析データを基準として用いることで、熱帯低気圧の頻度や大気の河川発生頻度を含む極端な出来事の統計を正確に再現し、補正なしの粗いシミュレーションに比べ顕著な改善効果を示す一方で、安定性と未学習データへの一般化性能を維持している。

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.

研究の動機と目的

• 動的方程式を変更せずに粗いスケールの気候シミュレーションの統計的精度を向上させること。
• 高分解能と粗い分解能の気候シミュレーションの間で生じる混沌とした発散の課題に対処すること、これは、不一致なデータセット上で直接MLモデルを学習させることを不可能にする。
• 自由走行の粗いシミュレーションの安定性と物理的一致性を保ちながら、侵襲的でない後処理補正手法を開発すること。
• 熱帯低気圧や大気の河川といった非ガウス的統計や極端な出来事の頻度を、粗いスケールのモデル出力のみを用いて正確に予測できること。
• 10年間の実際の大気データを用いて検証し、ERA5再解析ベンチマークに高い整合性を示す。

提案手法

• ERA5再解析の軌道に沿って誘導される弱いナッピングを施したE3SMシミュレーションを用いて、互換性のある入出力ペアを生成する。
• ナッピングされたE3SM出力を入力とし、ERA5データをターゲット出力として、ニューラルネットワーク（特にLSTMベースのオペレータ）を学習させ、補正マップを学習する。
• 学習済みの補正オペレータを後処理に適用し、ナッピングなしの自由走行E3SMシミュレーションに適用することで、高精度な統計的出力を得る。
• 出力のエネルギースペクトルを参考データとさらに一致させるために、スペクトル補正を適用する。
• 全球を25のサブ領域に分割するスキームを用いて、統合水蒸気輸送（IVT）統計を評価する。
• トレーニングに使用しなかった独立したERA5データを用いて検証し、風、温度、湿度、極端な出来事のグローバルおよび局所的統計に注目する。

実験結果

リサーチクエスチョン

• RQ1 ナッピングされた粗いスケールのシミュレーションで学習した機械学習補正オペレータは、風速、温度、湿度といった大気変数の非ガウス的統計を正確に再現できるか？
• RQ2 この手法は、粗いスケールの気候モデルにおける熱帯低気圧頻度の低予測をどの程度是正できるか？
• RQ3 大気の河川の頻度や強度といった極端な出来事の統計について、ML補正出力はERA5再解析データとどの程度一致するか？
• RQ4 侵襲的でない後処理補正アプローチは、オンライン補正方式で一般的に見られる数値不安定性を回避しながらも、安定性を維持できるか？
• RQ5 ナッピングなしの自由走行シミュレーションに一般化可能であり、依然として正確な長期的統計的特性を生成できるか？

主な発見

• ML補正済みE3SMシミュレーションは、ナッピングデータセットと比較して、平均的統合水蒸気輸送（IVT）予測の平均二乗誤差を25％低減し、ERA5データとの一致が顕著に向上した。
• 補正済みモデルは2007年から2017年の間に世界規模で411個の熱帯低気圧を予測したが、ERA5基準値の488個に近く、補正なしのCLIMシミュレーションの404個よりも優れた結果を示した。
• 風成分（U, V）、温度（T）、比湿（Q）の確率密度関数の非ガウス的尾部を、CLIMおよびナッピング済みシミュレーションを上回る精度で捉えた。
• 補正オペレータは、特に北太平洋および北大西洋といった主要地域において、大気の河川の空間的分布と頻度を正確に再現した。
• 粗いモデル（CLIM）がアトランティックで十分な渦度を生成できず熱帯低気圧形成が困難な場合でも、この手法は極端な出来事の統計を予測する上で強靭性を示した。
• スペクトル補正により、補正出力のエネルギースペクトルが参考となるERA5データとさらに一致し、全体的な統計的忠実度が向上した。