[论文解读] Emulating Fast Processes in Climate Models

Noah Brenowitz, W. A. Perkins+7 more|arXiv (Cornell University)|Nov 19, 2022

Meteorological Phenomena and Simulations被引用 14

一句话总结

本文提出了首个针对完整云微物理参数化方案的机器学习模拟器，涵盖快速相变过程（如凝结和降水）。采用结合网格点局部多层感知机与循环神经网络（RNN）的混合深度学习方法，模型在离线和在线配置下均表现出高技能，但在南极地区因复杂的相变动力学和时间尺度分离而出现偏差。

ABSTRACT

Cloud microphysical parameterizations in atmospheric models describe the formation and evolution of clouds and precipitation, a central weather and climate process. Cloud-associated latent heating is a primary driver of large and small-scale circulations throughout the global atmosphere, and clouds have important interactions with atmospheric radiation. Clouds are ubiquitous, diverse, and can change rapidly. In this work, we build the first emulator of an entire cloud microphysical parameterization, including fast phase changes. The emulator performs well in offline and online (i.e. when coupled to the rest of the atmospheric model) tests, but shows some developing biases in Antarctica. Sensitivity tests demonstrate that these successes require careful modeling of the mixed discrete-continuous output as well as the input-output structure of the underlying code and physical process.

研究动机与目标

• 开发一个完整的云微物理方案的机器学习模拟器，包括快速相变过程（如凝结和降水）。
• 通过用更快的机器学习替代品取代计算缓慢的Fortran基参数化方案，提升气候模型的计算效率。
• 通过尊重守恒定律、网格点局部性以及混合离散-连续输出结构，确保物理一致性。
• 测试对快速大气过程（其计算成本低于辐射过程但此前未被模拟）进行机器学习模拟的可行性。

提出的方法

• 通过在140公里分辨率和79个垂直层次下运行FV3GFS模型并采用简化的Zhao-Carr微物理方案，生成训练数据。
• 训练一个多层感知机（MLP）以模拟网格尺度凝结子程序（gscond），输入为温度、湿度和气压，输出为净凝结物变化量。
• 使用循环神经网络（RNN）对降水过程（precpd）进行建模，通过序列建模强制实现水成物的下沉运动。
• 引入分类器以检测无云状态，并在预测结果中强制实现零凝结，从而提升物理一致性。
• 通过基于温度的标准化偏差对凝结速率进行归一化，以稳定寒冷区域的训练过程。
• 通过将比湿变化设为−Δgc，实现总水守恒。

实验结果

研究问题

• RQ1 机器学习模型能否在离线和在线配置下，准确模拟包含快速相变的完整云微物理方案？
• RQ2 混合离散-连续输出结构（如无云状态和相变）如何影响模拟器的性能与设计？
• RQ3 采用RNN建模降水过程等架构选择，相比标准前馈网络，如何提升在线性能？
• RQ4 尽管整体性能良好，为何在南极地区仍出现偏差？这对我们理解具有强时间尺度分离过程的机器学习模拟有何启示？
• RQ5 在神经网络架构中，如何有效编码守恒定律和网格点局部性等物理约束，以提升泛化能力？

主要发现

• 最终模拟器在与动力核心耦合时，对温度变化（ΔαT）的在线技能达到94.1%，对凝结物变化（Δαc）的在线技能达到93.9%，表明性能优异。
• 引入分类器以强制实现无云和零凝结状态后，7月15日的云水偏差从64.2 g m⁻²降低至7.6 g m⁻²，显著提升了准确性。
• 在在线测试中，RNN相比前馈网络表现更优，因其能更好地捕捉降水过程的方向性和序列性特征。
• 模型在南极地区出现发展性偏差，尤其在高纬度和高层对流层区域，可能源于复杂的相变动力学和时间尺度分离。
• 通过按温度箱对凝结速率进行仔细归一化，显著提升了寒冷区域的性能，凸显了输入缩放对模型敏感性的影响。
• 对凝结和降水过程分别建模，带来了在线技能的最大提升，凸显了在模型设计中匹配物理过程结构的重要性。