[论文解读] Implementation and Evaluation of a Machine Learned Mesoscale Eddy Parameterization into a Numerical Ocean Circulation Model

Cheng Zhang, Pavel Perezhogin+4 more|arXiv (Cornell University)|Mar 2, 2023

Meteorological Phenomena and Simulations被引用 4

一句话总结

本研究在MOM6海洋环流模型中实现并评估了一种基于深度卷积神经网络的中尺度涡参数化方法。该参数化方法成功注入能量并改善了反向散射，但在计算成本、边界区域表现以及深度依赖性调优方面仍面临挑战，表明其具有应用前景，但需进一步优化以适用于气候模型部署。

ABSTRACT

We address the question of how to use a machine learned parameterization in a general circulation model, and assess its performance both computationally and physically. We take one particular machine learned parameterization \cite{Guillaumin1&Zanna-JAMES21} and evaluate the online performance in a different model from which it was previously tested. This parameterization is a deep convolutional network that predicts parameters for a stochastic model of subgrid momentum forcing by mesoscale eddies. We treat the parameterization as we would a conventional parameterization once implemented in the numerical model. This includes trying the parameterization in a different flow regime from that in which it was trained, at different spatial resolutions, and with other differences, all to test generalization. We assess whether tuning is possible, which is a common practice in general circulation model development. We find the parameterization, without modification or special treatment, to be stable and that the action of the parameterization to be diminishing as spatial resolution is refined. We also find some limitations of the machine learning model in implementation: 1) tuning of the outputs from the parameterization at various depths is necessary; 2) the forcing near boundaries is not predicted as well as in the open ocean; 3) the cost of the parameterization is prohibitively high on CPUs. We discuss these limitations, present some solutions to problems, and conclude that this particular ML parameterization does inject energy, and improve backscatter, as intended but it might need further refinement before we can use it in production mode in contemporary climate models.

研究动机与目标

• 评估将预训练的机器学习参数化方法集成到与原始训练模型不同的海洋环流模型（MOM6）中的可行性与性能。
• 评估该机器学习参数化在不同空间分辨率、流态和模型配置下的泛化能力。
• 研究在实际气候模型中实现机器学习参数化所面临的实际挑战，包括调优、稳定性与计算成本。
• 确定该机器学习参数化是否能有效模拟亚网格尺度动量强迫，并改善能量反向散射等关键物理指标。
• 识别实现中的局限性，特别是边界附近和不同海洋深度区域，并提出解决方案。

提出的方法

• 本研究采用Guillaumin & Zanna（2021）提出的随机-深度学习参数化方法，利用卷积神经网络预测亚网格动量强迫随机模型的参数。
• 该机器学习参数化作为亚网格尺度强迫项（S_k）在线嵌入MOM6模型的动量方程中，替代传统参数化方法。
• 在多种配置下对模型进行测试：不同的空间分辨率（从1/10°到1/40°）、不同的流态（如风驱动双流旋涡）、以及是否对输出参数进行调优。
• 通过标准海洋学指标（如湍流动能谱和反向散射）评估参数化的物理保真度。
• 在CPU和GPU上测量计算性能，以评估其在大规模气候模拟中的可行性。
• 应用后处理与调优策略，以提高不同深度层级和区域的输出一致性。

实验结果

研究问题

• RQ1 能否在不同于原始训练模型的海洋模型（MOM6）中成功实现并稳定运行预训练的中尺度涡机器学习参数化？
• RQ2 该机器学习参数化在不同空间分辨率和流态下的性能如何，反映出其泛化能力？
• RQ3 该机器学习参数化的计算成本如何？其在标准硬件上是否适用于生产级气候模型？
• RQ4 与传统参数化方法相比，该机器学习参数化在改善能量反向散射和动量传递等物理指标方面有多大提升？
• RQ5 实现中的关键挑战是什么，特别是边界附近和不同深度层级？如何缓解这些问题？

主要发现

• 该机器学习参数化在未作修改的情况下在线集成到MOM6中仍保持稳定，表明其在不同模型配置下具有鲁棒性。
• 随着空间分辨率的提高，该参数化的影响减弱，这与高分辨率可直接解析更多亚网格过程的预期一致。
• 需对不同深度层级的机器学习输出进行调优，才能实现一致的物理行为，表明模型预测具有深度依赖性敏感性。
• 在海洋边界附近，该参数化性能较差，因为亚网格动力学更复杂，且在训练数据中代表性不足。
• 该参数化的计算成本在CPU上过高，若无硬件加速，难以在大规模气候模拟中实用化。
• 尽管存在局限性，该机器学习参数化仍成功注入能量并改善了反向散射，证实其物理意图得以实现，但要用于实际运行仍需进一步优化。