[论文解读] Comparing Storm Resolving Models and Climates via Unsupervised Machine Learning

Griffin Mooers, Mike Pritchard+6 more|arXiv (Cornell University)|Aug 25, 2022

Meteorological Phenomena and Simulations被引用 4

一句话总结

本文提出一种基于变分自编码器（VAEs）和向量量化技术的无监督机器学习框架，利用高分辨率二维垂直速度场客观比较九个全球对流尺度模型（GSRMs）。该方法识别出热带对流的潜在表征，发现仅六个GSRMs表现出相似的动力学行为，同时揭示了对流类型（如“绿色积云”）的显著、数据驱动的特征，以及干旱区扩张和深层对流增强等气候变化影响。

ABSTRACT

Global Storm-Resolving Models (GSRMs) have gained widespread interest because of the unprecedented detail with which they resolve the global climate. However, it remains difficult to quantify objective differences in how GSRMs resolve complex atmospheric formations. This lack of comprehensive tools for comparing model similarities is a problem in many disparate fields that involve simulation tools for complex data. To address this challenge we develop methods to estimate distributional distances based on both nonlinear dimensionality reduction and vector quantization. Our approach automatically learns physically meaningful notions of similarity from low-dimensional latent data representations that the different models produce. This enables an intercomparison of nine GSRMs based on their high-dimensional simulation data (2D vertical velocity snapshots) and reveals that only six are similar in their representation of atmospheric dynamics. Furthermore, we uncover signatures of the convective response to global warming in a fully unsupervised way. Our study provides a path toward evaluating future high-resolution simulation data more objectively.

研究动机与目标

• 为解决缺乏客观、数据驱动的工具来比较能够捕捉复杂大气动力学的高分辨率全球对流尺度模型（GSRMs）的问题。
• 通过无监督机器学习量化GSRMs之间的分布差异，避免依赖粗略的、基于物理引导的统计方法。
• 从未标记的高维模拟数据中识别出具有物理意义的对流型态和模型相似性。
• 以完全无监督的方式检测GSRM输出中的气候变化信号，特别是与对流组织化和纬向位移相关的信号。
• 通过学习模型行为的潜在表征，实现对今后高分辨率气候模拟更严格、可扩展的相互比较。

提出的方法

• 使用变分自编码器（VAEs）将GSRMs的高维二维垂直速度场降维为低维潜在表征。
• 在潜在空间中应用向量量化与聚类，以发现热带对流的显著型态，如“绿色积云”和深层对流。
• 通过计算归一化对流类型概率分布之间的对称化Kullback-Leibler（KL）散度，量化模型间的分布距离。
• 在单一模型（UM）的数据上训练共享VAE，并将其应用于编码和比较所有九个GSRMs的潜在表征。
• 通过按物理属性（如对流强度、陆地覆盖率、湍流长度尺度）着色的3D主成分分析（PCA）可视化潜在空间，评估表征的解耦程度与模型差异。
• 应用无监督分析，通过数据驱动方式比较当前气候与变暖气候模拟，以检测气候变化信号。

实验结果

研究问题

• RQ1 在通过无监督学习分析时，哪些GSRMs表现出热带对流动力学的统计上相似的表征？
• RQ2 从多样化GSRMs的高分辨率垂直速度数据潜在空间中，涌现出哪些具有物理意义的对流型态？
• RQ3 无监督机器学习能否在无先验假设或标注数据的情况下检测气候变化信号（如对流强度和纬向分布的变化）？
• RQ4 不同模型设计如何影响潜在空间中对流特征的组织与结构？这揭示了关于模型不确定性的哪些信息？
• RQ5 基于VAE的表征学习在多大程度上能解耦物理过程，如陆地方对流与海洋对流，或浅层与深层对流？

主要发现

• 在所研究的九个GSRMs中，仅有六个表现出相似的热带对流潜在表征，表明各模型在模拟大气动力学方面存在显著差异。
• 无监督方法成功识别出一种独特的“绿色积云”对流型态，该型态在观测数据中代表性不足，且常被标准云掩膜遗漏。
• 潜在空间显示SPCAM表现出一种独特的大陆浅层对流型态，其特征为小尺度水平组织化，仅能通过VAE的解耦表征检测到。
• SAM在潜在表征中的垂直速度强度显著高于其他GSRMs，表明其对流响应更为剧烈。
• 该方法以完全无监督方式揭示了气候变化信号，包括干旱区扩张以及全球变暖下深层对流在暖洋区的集中化。
• 对潜在表征进行向量量化与聚类揭示了三种主要对流类型：‘绿色积云’、浅层积云和深层对流，其物理驱动因素各不相同，如低对流层稳定度和地表通量。