[论文解读] ACE2: Accurately learning subseasonal to decadal atmospheric variability and forced responses

Oliver Watt‐Meyer, Brian Henn+7 more|arXiv (Cornell University)|Nov 18, 2024

Underwater Acoustics ResearchEarth and Planetary Sciences被引用 3

一句话总结

ACE2 是一个 4.5 亿参数的自回归机器学习模拟器，能够在 1° 分辨率和 6 小时间隔下，准确模拟 1940–2020 年间次季节至年代际的大气变异性及强迫响应。它精确守恒全球干空气质量和水汽，并支持稳定的长期积分（每秒模拟 1500 年），可重现关键气候现象，如米德兰–朱利安振荡、热带气旋，以及对厄尔尼诺事件和长期变暖趋势的大气响应。

ABSTRACT

Existing machine learning models of weather variability are not formulated to enable assessment of their response to varying external boundary conditions such as sea surface temperature and greenhouse gases. Here we present ACE2 (Ai2 Climate Emulator version 2) and its application to reproducing atmospheric variability over the past 80 years on timescales from days to decades. ACE2 is a 450M-parameter autoregressive machine learning emulator, operating with 6-hour temporal resolution, 1° horizontal resolution and eight vertical layers. It exactly conserves global dry air mass and moisture and can be stepped forward stably for arbitrarily many steps with a throughput of about 1500 simulated years per wall clock day. ACE2 generates emergent phenomena such as tropical cyclones, the Madden Julian Oscillation, and sudden stratospheric warmings. Furthermore, it accurately reproduces the atmospheric response to El Niño variability and global trends of temperature over the past 80 years. However, its sensitivities to separately changing sea surface temperature and carbon dioxide are not entirely realistic.

研究动机与目标

• 开发一种机器学习气候模拟器，能够准确模拟从次季节到年代际时间尺度的大气变异性及强迫响应。
• 实现模拟器的稳定长期积分，并精确守恒干空气质量与大气水汽。
• 在再分析数据（ERA5）和基于物理的模型输出（SHiELD）上进行训练，以确保模型的鲁棒性与泛化能力。
• 评估模拟器再现观测气候趋势、厄尔尼诺-南方涛动（ENSO）响应以及新兴天气现象的能力。
• 证明该模型可用于高效气候模拟与分析，包括集合探索与情景插值。

提出的方法

• ACE2 是一个基于 Transformer 的 4.5 亿参数自回归模型，训练目标为从大气状态变量预测两个 6 小时后的状态。
• 模型在 1° 水平分辨率下运行，具有八个垂直层，采用 6 小时间隔，并使用用户指定的海表面温度（SST）和 CO2 边界条件。
• 通过模型架构与损失函数设计，精确实现全球干空气质量与大气水汽的守恒。
• 模型在两个数据集上进行训练：ERA5 再分析数据（1940–1995，2011–2019）和 AMIP 格式的 SHiELD 模拟数据（1940–2020）。
• 检查点选择基于气候性能，使用时间平均与年平均变量的全局均方根误差（RMSE）和决定系数（R²）指标。
• 评估包括将大气变量与 Niño 3.4 指数进行回归，以检验 ENSO 响应的准确性。

Figure 1: Global- and annual-mean series for a) 2-meter air temperature and c) total water path over 81-year evaluations of ACE2-ERA5 and ACE2-SHiELD. For each ACE2 evaluation, a three-member initial condition (IC) ensemble of the model (each initialized one day apart) is shown in solid lines, and t

实验结果

研究问题

• RQ1 机器学习模拟器能否在从数天到数十年的时间尺度上准确模拟大气变异性？
• RQ2 该模型是否能再现对厄尔尼诺-南方涛动（ENSO）变异性的真实大气响应？
• RQ3 该模拟器能否捕捉过去 80 年间全球气温长期趋势与总水汽路径的变化？
• RQ4 该模型在长时间积分过程中对质量与水汽的守恒性能如何？
• RQ5 该模型在生成新兴现象（如热带气旋和突发性平流层变暖）方面的表现如何？

主要发现

• ACE2 实现了约每秒 1500 年的模拟吞吐量，支持高效的长期气候模拟。
• 模型准确再现了对厄尔尼诺变异性的大气响应，关键变量的响应图全球加权均方根差低于 0.5 K。
• 模型对全球平均温度与总水汽路径的长期趋势捕捉效果良好，与参考数据集的相关系数 R² 超过 0.95。
• ACE2 能够生成新兴气候现象，包括热带气旋、米德兰–朱利安振荡以及突发性平流层变暖。
• 在长时间积分中，模型对全球干空气质量与大气水汽实现了精确守恒，支持任意步长的稳定前向模拟。
• 与基于物理的 SHiELD 模型相比，ACE2 在 1° 分辨率下速度提升约 100 倍，能耗降低约 700 倍；与分辨率更粗的 C24 SHiELD 模拟相比，速度提升约 50 倍，能耗降低约 25 倍。

Figure 2: a) - c): Zonal- and time-mean for ACE2 (solid) and its reference datasets (dashed) over test period spanning 2001-01-01 to 2010-12-31, for selected variables. d) - f): ACE2-ERA5 time-mean biases over this time period. g) - i): ACE2-SHiELD time-mean biases over this time period. Results for