[论文解读] LUCIE: A Lightweight Uncoupled ClImate Emulator with long-term stability and physical consistency for O(1000)-member ensembles

Haiwen Guan, Troy Arcomano+2 more|arXiv (Cornell University)|May 25, 2024

Advanced Data Storage Technologies被引用 4

一句话总结

LUCIE 是一种轻量级、物理一致且长期稳定的气候模拟器，基于球面傅里叶神经算子（SFNO），仅使用 9.5 年的粗分辨率 ERA5 数据，在单张 A100 GPU 上训练 2.4 小时，即可生成 1000 个成员的 5 年自回归模拟，实现长期稳定。其无需外部海表温度（SST）强迫或非物理漂移，即可准确再现气候态、亚季节至季节预报能力，并保持谱结构特征。

ABSTRACT

We present a lightweight, easy-to-train, low-resolution, fully data-driven climate emulator, LUCIE, that can be trained on as low as $2$ years of $6$-hourly ERA5 data. Unlike most state-of-the-art AI weather models, LUCIE remains stable and physically consistent for $100$ years of autoregressive simulation with $100$ ensemble members. Long-term mean climatology from LUCIE's simulation of temperature, wind, precipitation, and humidity matches that of ERA5 data, along with the variability. We further demonstrate how well extreme weather events and their return periods can be estimated from a large ensemble of long-term simulations. We further discuss an improved training strategy with a hard-constrained first-order integrator to suppress autoregressive error growth, a novel spectral regularization strategy to better capture fine-scale dynamics, and finally an optimization algorithm that enables data-limited (as low as $2$ years of $6$-hourly data) training of the emulator without losing stability and physical consistency. Finally, we provide a scaling experiment to compare the long-term bias of LUCIE with respect to the number of training samples. Importantly, LUCIE is an easy to use model that can be trained in just $2.4$h on a single A-100 GPU, allowing for multiple experiments that can explore important scientific questions that could be answered with large ensembles of long-term simulations, e.g., the impact of different variables on the simulation, dynamic response to external forcing, and estimation of extreme weather events, amongst others.

研究动机与目标

• 开发一种计算高效、数据驱动的大气模拟器，可在无需外部 SST 强迫的情况下，实现数千年尺度的长期气候态稳定性。
• 实现大规模集合模拟（约 1000 个成员），用于气候预测中的不确定性量化与极端事件分析。
• 在无需依赖耦合模型中外部施加的海表温度（SST）的情况下，实现模拟气候的物理一致性。
• 在延长的自回归推理过程中，展示亚季节至季节预报能力与 zonal 风和温度的谱保真度。
• 提供一种快速原型工具，用于科学探究模型行为、反事实情景与变量敏感性，且计算成本极低。

提出的方法

• 采用球面傅里叶神经算子（SFNO）架构，结合球面谐波变换（SHT），实现在球面上的全局、网格化学习。
• 使用带跳跃连接和可学习位置嵌入的 2D 卷积编码器-解码器，以增强空间感知能力与梯度流动。
• 采用自回归推理，在 5 年内对 1000 个成员集合进行模拟，初始条件从 ERA5 数据中抽取。
• 在粗分辨率（T30）ERA5 数据上进行训练，包含四个预报变量：地表温度、比湿、经向风与纬向风。
• 将总入射太阳辐射（TISR）作为时变输入，但不施加外部 SST，从而实现非耦合运行。
• 采用均方误差损失结合谱正则化，以保留功率谱并减少高波数偏差。

实验结果

研究问题

• RQ1 数据驱动的大气模拟器是否能在无外部 SST 强迫的情况下，实现数千年尺度的长期气候态稳定性？
• RQ2 LUCIE 在 1000 个成员集合中，对 ERA5 参考气候态与地表温度年周期的再现程度如何？
• RQ3 与 ERA5 相比，LUCIE 在 5 年自回归推理过程中对 zonal 风功率谱的保持程度如何？
• RQ4 LUCIE 在 1000 个集合成员中的亚季节至季节预报能力如何？与持续性基线相比表现如何？
• RQ5 LUCIE 是否能在单张 GPU 上实现高效训练（3 小时内），同时保持物理一致性与谱保真度？

主要发现

• LUCIE 生成的 5 年集合气候态与 ERA5 参考气候态高度一致，偏差小，且准确再现了地表温度的年周期特征。
• LUCIE 生成的 zonal 风功率谱在 5 年内保持了大部分谱结构，与 ERA5 的偏差极小，尤其在大尺度上表现优异。
• LUCIE 在所有预报变量上的亚季节至季节预报性能均优于简单的持续性基线，且在 50 个初始条件下的不确定性分布较低。
• 尽管仅在 9.5 年粗分辨率 ERA5 数据上进行训练，LUCIE 仍实现了物理一致性与谱保真度，且无需外部 SST 或耦合海洋模型。
• 模型仅在单张 A100 GPU 上训练 2.4 小时，即可实现上述性能，支持快速原型设计与大规模集合生成，适用于不确定性量化。
• 在长达 1000 年的单成员模拟中，LUCIE 保持了长期稳定性，仅出现极小的气候态漂移，证明其在 5 年集合研究之外的鲁棒性。