[论文解读] Learning bias corrections for climate models using deep neural operators

Aniruddha Bora, Khemraj Shukla+4 more|arXiv (Cornell University)|Feb 7, 2023

Climate variability and models被引用 6

一句话总结

本文提出一种结合自编码器潜在空间压缩的深度算子网络（DeepONet），用于学习并替代气候模型中的偏差校正平滑模块。通过在E3SMv2模拟数据（向ERA5再分析数据平滑）上进行训练，该模型能够高精度预测经向和纬向风的平滑倾向，相关系数 >0.7，成功再现了飓风桑迪的路径，展现出强大的泛化能力，并具备在地球系统模型中在线部署的潜力。

ABSTRACT

Numerical simulation for climate modeling resolving all important scales is a computationally taxing process. Therefore, to circumvent this issue a low resolution simulation is performed, which is subsequently corrected for bias using reanalyzed data (ERA5), known as nudging correction. The existing implementation for nudging correction uses a relaxation based method for the algebraic difference between low resolution and ERA5 data. In this study, we replace the bias correction process with a surrogate model based on the Deep Operator Network (DeepONet). DeepONet (Deep Operator Neural Network) learns the mapping from the state before nudging (a functional) to the nudging tendency (another functional). The nudging tendency is a very high dimensional data albeit having many low energy modes. Therefore, the DeepoNet is combined with a convolution based auto-encoder-decoder (AED) architecture in order to learn the nudging tendency in a lower dimensional latent space efficiently. The accuracy of the DeepONet model is tested against the nudging tendency obtained from the E3SMv2 (Energy Exascale Earth System Model) and shows good agreement. The overarching goal of this work is to deploy the DeepONet model in an online setting and replace the nudging module in the E3SM loop for better efficiency and accuracy.

研究动机与目标

• 通过用数据驱动的代理模型替代传统平滑方法，提高低分辨率气候模型中偏差校正的精度与效率。
• 解决利用深度学习从高维、低相干性平滑倾向中学习气候模拟偏差校正的挑战。
• 通过利用神经算子理论，提升模型在现有数据驱动偏差校正方法之外的泛化能力。
• 通过训练可集成到E3SM模拟循环中的代理模型，实现在线偏差校正。

提出的方法

• 该方法使用DeepONet学习从平滑前的大气状态（函数型输入）到时空坐标中平滑倾向（函数型输出）的映射关系。
• 采用卷积自编码器（AED）将高维输入（平滑前状态）和输出（平滑倾向）压缩至低维潜在空间，以实现高效学习。
• DeepONet在E3SMv2模拟数据上进行训练，该数据被平滑至每3小时一次的ERA5再分析数据，通过时间插值对齐模型与参考时间。
• 自编码器生成的潜在表示分别作为DeepONet的分支网络和主干网络的输入，以建模算子映射关系。
• 通过训练好的解码器网络将结果解码回物理空间，生成最终的平滑倾向预测。
• 在覆盖2012年飓风桑迪事件的子区域（10°N–80°N，120°W–50°W）上验证模型架构，评估指标包括相关系数和空间保真度。

Figure 1: A block diagram showing high level view of the autoencoder. Here $\psi_{bf}(z,\bar{x},\bar{y},t)$ and $\psi_{ndg}(z,\bar{x},\bar{y},t)$ are the input to the encoders $Encoder_{bf}$ (encoder for before nudged data) and $Encoder_{ndg}$ (encoder for nudging tendency) respectively. $\hat{\psi}

实验结果

研究问题

• RQ1 DeepONet代理模型能否准确学习到用于校正低分辨率气候模拟偏差的复杂、高维平滑倾向？
• RQ2 将自编码器集成到DeepONet框架中，如何提升气候模型偏差校正的训练效率与准确性？
• RQ3 DeepONet模型在多大程度上能泛化以再现像飓风桑迪这样的重大天气事件的路径？
• RQ4 基于DeepONet的校正方法能否在在线模拟环境中有效部署，以替代地球系统模型中的传统平滑方法？
• RQ5 在相关系数和空间误差方面，该模型的性能与原始E3SMv2平滑方法相比如何量化？

主要发现

• DeepONet模型在测试区域内与E3SMv2平滑倾向的相关系数 >0.7，表明其对经向和纬向风分量均具有强大的预测精度。
• 该模型成功再现了2012年飓风桑迪的路径，展示了其在模拟复杂大气动力学时的鲁棒性与物理合理性。
• 自编码器的使用实现了有效的降维，使DeepONet能够比在原始空间中更高效地学习低能量、高维的平滑倾向。
• DeepONet预测结果与E3SMv2平滑倾向之间的逐点误差在空间和时间尺度上均保持较低水平，证实了其空间一致性。
• 模型在具有高大气变异性区域的验证结果，证实其具备处理动态复杂系统的能力。
• 结果支持将DeepONet代理模型集成到E3SM模拟循环中，实现在线、实时偏差校正的可行性。

Figure 2: A block diagram showing a high level view of the DeepONet. $\hat{\psi}_{bf}(z\times ld,t)$ (latent space representation of before nudged state) is the input for the branch network and $t$ is the time which the input to the trunk network, which is the time for which we want to predict the n