[论文解读] Neural General Circulation Models for Weather and Climate

Dmitrii Kochkov, Janni Yuval+14 more|arXiv (Cornell University)|Nov 13, 2023

Meteorological Phenomena and Simulations被引用 24

一句话总结

NeuralGCM 是首个完全可微分的地球大气混合模式，将神经参数化物理模块与可微分的动力核心相结合，在匹配最先进的天气与气候预报的同时实现大规模计算节省。

ABSTRACT

General circulation models (GCMs) are the foundation of weather and climate prediction. GCMs are physics-based simulators which combine a numerical solver for large-scale dynamics with tuned representations for small-scale processes such as cloud formation. Recently, machine learning (ML) models trained on reanalysis data achieved comparable or better skill than GCMs for deterministic weather forecasting. However, these models have not demonstrated improved ensemble forecasts, or shown sufficient stability for long-term weather and climate simulations. Here we present the first GCM that combines a differentiable solver for atmospheric dynamics with ML components, and show that it can generate forecasts of deterministic weather, ensemble weather and climate on par with the best ML and physics-based methods. NeuralGCM is competitive with ML models for 1-10 day forecasts, and with the European Centre for Medium-Range Weather Forecasts ensemble prediction for 1-15 day forecasts. With prescribed sea surface temperature, NeuralGCM can accurately track climate metrics such as global mean temperature for multiple decades, and climate forecasts with 140 km resolution exhibit emergent phenomena such as realistic frequency and trajectories of tropical cyclones. For both weather and climate, our approach offers orders of magnitude computational savings over conventional GCMs. Our results show that end-to-end deep learning is compatible with tasks performed by conventional GCMs, and can enhance the large-scale physical simulations that are essential for understanding and predicting the Earth system.

研究动机与目标

• 推动用可学习组件替代或增强传统GCM参数化，以提升预报能力和不确定性量化。
• 开发一个完全可微分的混合模型，将动力核心与端到端训练的神经物理模块整合。
• 实现跨天气到气候尺度的精确确定性与集合预报，包括多日预报和十年尺度的模拟。
• 证明该模型能够产生现实的气候特征（季节循环、热带气旋），并在长时间积分中保持稳定。
• 量化计算效率并相对于传统模型评估泛化能力和物理一致性。

提出的方法

• 使用可微分的动力核心，利用水平伪谱离散和垂直 sigma 坐标求解含湿的静力原始方程。
• 实现一个单柱神经网络，通过编码-处理-解码架构对未分辨过程（云、辐射、降水）进行参数化，权重在各柱之间共享。
• 引入编码器/解码器，在 ERA5 压力层数据与模型 sigma 坐标层之间进行映射，包括对界面的学习校正以降低初始冲击。
• 进行端到端的滚动式在线训练，逐步将预报范围从小时扩展到 5 天，使用在谱域和网格空间上平衡精度、清晰度和偏差的损失函数。
• 引入随机性以通过基于 CRPS 的损失和具有学习到的时空相关性的高斯随机场噪声生成集合预报。
• 在多种分辨率（2.8°、1.4°、0.7°）和 32 个垂直层次下进行评估，将确定性和随机变体与 ECMWF-ENS/HRES、GraphCast 和 Pangu 进行比较，并在给定 SST/SI 的条件下进行气候模拟。

实验结果

研究问题

• RQ1 完全可微分的混合 GCM 能否在 1-15 天的预报范围内达到最先进的确定性和集合天气预报的水平？
• RQ2 端到端训练的神经参数化与可微分动力核心耦合，是否能产生稳定的长期气候模拟并出现现实的涌现现象？
• RQ3 与传统集合预报相比，NeuralGCM 的集合预报是否经过良好校准（CRPS、spread-skill）？
• RQ4 将传统参数化替换为学习组件时，计算权衡和扩展性提升是什么？
• RQ5 在 AMIP 式设置下，NeuralGCM 能否再现场 Tropical cyclone tracks、Hadley 循环、季风和季节循环等关键气候特征？

主要发现

• NeuralGCM 在 1-10 天确定性天气预报和 1-15 天集合预报方面达到了同级最佳模型的竞争力。
• 随机 NeuralGCM-ENS 在大多数变量和提前期上实现比 ECMWF-ENS 更低的集合平均 RMSE 和 CRPS，且扩展-技能比接近 1。
• 在较粗分辨率（2.8°–1.4°）下，NeuralGCM 能在 AMIP 式运行中模拟具有现实季节循环、Hadley 循环、季风和热带气旋的气候行为。
• 在带有规定 SST 的 40 年 AMIP 式实验中，NeuralGCM 捕捉到历史温度趋势并降低相对于某些 AMIP 基线的温度偏差，同时保持现实的热带变暖结构。
• NeuralGCM 提供显著的计算节省，其水平分辨率比 ECMWF IFS 和云解析模型粗 8–40 倍，使仿真速度快 3–5 个数量级。
• 案例研究表明，重新网格化后，NeuralGCM 产生的热带气旋路径和频次比某些高分辨率基线更接近 ERA5，显示出现实的极端天气行为。