[论文解读] Coupled Ocean-Atmosphere Dynamics in a Machine Learning Earth System Model

Chenggong Wang, Michael S. Pritchard+6 more|arXiv (Cornell University)|Jun 12, 2024

Computational Physics and Python Applications被引用 11

一句话总结

Ola AI/ML耦合的地球系统模型通过SFNO独立学习海洋与大气动力学，能够实现快速的6个月集合预报，并捕捉具有逼真海洋波动和地下结构的 ENSO 式变率。

ABSTRACT

Seasonal climate forecasts are socioeconomically important for managing the impacts of extreme weather events and for planning in sectors like agriculture and energy. Climate predictability on seasonal timescales is tied to boundary effects of the ocean on the atmosphere and coupled interactions in the ocean-atmosphere system. We present the Ocean-linked-atmosphere (Ola) model, a high-resolution (0.25°) Artificial Intelligence/ Machine Learning (AI/ML) coupled earth-system model which separately models the ocean and atmosphere dynamics using an autoregressive Spherical Fourier Neural Operator architecture, with a view towards enabling fast, accurate, large ensemble forecasts on the seasonal timescale. We find that Ola exhibits learned characteristics of ocean-atmosphere coupled dynamics including tropical oceanic waves with appropriate phase speeds, and an internally generated El Niño/Southern Oscillation (ENSO) having realistic amplitude, geographic structure, and vertical structure within the ocean mixed layer. We present initial evidence of skill in forecasting the ENSO which compares favorably to the SPEAR model of the Geophysical Fluid Dynamics Laboratory.

研究动机与目标

• 展示一个完全耦合的ML海气模型用于季节预报的可行性。
• 评估Ola是否能够学习包括ENSO和热带波在内的现实耦合海气动力学。
• 评估该模型重现地下海洋结构和地表反馈的能力。
• 将Ola的ENSO预报与基于物理的基线模型(GFDL-SPEAR)进行比较并评估偏差。

提出的方法

• 基于两部分SFNO的神经网络在0.25°分辨率下分别建模大气（F^A）和海洋（F^O）。
• Ola通过选定的边界变量耦合大气与海洋：SST供大气输入；近地面风、2m温度和海平面气压供海洋输入。
• 大气时间步长=24小时；海洋时间步长=48小时。
• 训练时使用ERA5作为大气数据，使用UFS-replay作为海洋数据，并对海洋变量的陆地产生掩码处理。
• 自回归耦合形式为 A_t+Δt = F^A[A_t, Ō_t, Z_t] 和 O_t+Δt' = F^O[Ō_t, Ã_t, Z_t]，其中 Ω 与 A 为部分观测态向量，Z_t 编码太阳天顶角。
• 使用Lagged Ensemble Forecasting (LEF) 生成预报：每月初始化12个集合成员，向外滚动至6个月。

实验结果

研究问题

• RQ1 一个完全数据驱动的耦合大气-海洋模型是否能够在季节时间尺度上学习并再现ENSO动力学和热带海洋波活动？
• RQ2 Ola模型是否展现出真实的三维ENSO结构，包括地下温度异常与垂直分布？
• RQ3 Ola的ENSO能力与热带偏差相较于物理基础基线如GFDL-SPEAR的表现如何？
• RQ4 Ola的主要偏差和局限性是什么，特别是在高纬度和长程漂移方面，如何缓解？
• RQ5 基于ML的耦合在多大程度上可以避免过程基模型中常见的亚网格偏差（如双赤道拖拽物、热带冷舌）？

主要发现

• Ola 在中部热带太平洋海表温度变率方面具有逼真表现，并且在6个月预报中能够产生El Niño和La Niña两种状态。
• Ola 在SSH异常中的赤道Kelvin波与近赤道Rossby波动力学呈现定性逼真的相位速度。
• Ola中的El Niño/La Niña复合体在水平范围和地下温度结构上与观测相似，尤其以中太平洋为主。
• 大气综合特征显示与El Niño和La Niña相关的平均海平面气压模式，尽管由于验证年份有限而更嘈杂。
• 与GFDL-SPEAR相比，Ola在热带偏差方面明显更小，尤其缺乏热带漂移，但存在高纬度漂移及长期稳定性问题。
• 该模型在单个A100 GPU上可以在不到1分钟内预测6个月的耦合大气-海洋状态，相比传统模型实现了数量级级别的加速。