[论文解读] Probabilistic Emulation of a Global Climate Model with Spherical DYffusion

Salva Rühling Cachay, Brian Henn+3 more|arXiv (Cornell University)|Jun 21, 2024

Climate Change Policy and EconomicsEconomics, Econometrics and Finance被引用 3

一句话总结

该论文提出Spherical DYffusion，一种新颖的概率生成模型，可在每6小时一个时间步长的10年模拟中，以高精度和物理一致性模拟全球气候模型。通过使用球谐函数将动力学启发的扩散框架适配至球面几何，该模型在气候模拟任务中达到最先进性能，优于基线模型在集合发散性和长期统计保真度方面的表现，同时保持计算效率。

ABSTRACT

Data-driven deep learning models are transforming global weather forecasting. It is an open question if this success can extend to climate modeling, where the complexity of the data and long inference rollouts pose significant challenges. Here, we present the first conditional generative model that produces accurate and physically consistent global climate ensemble simulations by emulating a coarse version of the United States' primary operational global forecast model, FV3GFS. Our model integrates the dynamics-informed diffusion framework (DYffusion) with the Spherical Fourier Neural Operator (SFNO) architecture, enabling stable 100-year simulations at 6-hourly timesteps while maintaining low computational overhead compared to single-step deterministic baselines. The model achieves near gold-standard performance for climate model emulation, outperforming existing approaches and demonstrating promising ensemble skill. This work represents a significant advance towards efficient, data-driven climate simulations that can enhance our understanding of the climate system and inform adaptation strategies.

研究动机与目标

• 为解决利用数据驱动模型生成物理一致且长期的气候模拟所面临的挑战。
• 克服标准扩散模型在高维、球面气候数据中长期推理展开时的局限性。
• 开发一种概率模拟器，生成可靠的集合模拟，用于气候预测中的不确定性量化。
• 通过将计算开销控制在确定性模型的3倍以内，实现高效推理。
• 证明天气预报能力并不能预测长期气候准确性，从而挑战当前机器学习训练范式。

提出的方法

• 将原本专为欧几里得数据设计的DYffusion框架，通过球谐函数适配至球面几何，用于全球场的表示。
• 采用动力学启发的扩散模型，在噪声预测过程中引入物理约束，提升模型稳定性和物理一致性。
• 使用球面傅里叶神经算子（SFNO）作为主干架构，以处理大气场的球面拓扑结构。
• 应用条件扩散过程，使每个时间步的预测基于前一状态和时变边界条件（如海表温度、海冰）。
• 通过将前向传播次数限制在确定性模型的3倍以内，降低采样成本，实现长期推理。
• 在FV3GFS模型生成的大规模全球气候模拟数据集上进行训练，采用针对长期统计优化的去噪损失函数。

实验结果

研究问题

• RQ1 基于扩散的生成模型能否在全局尺度上实现稳定且物理一致的10年气候模拟？
• RQ2 在机器学习模拟器中，优化短期天气预报准确性是否与长期气候统计准确性相关？
• RQ3 地球大气的球面几何如何影响扩散模型在气候模拟中的性能表现？
• RQ4 概率模型能否在集合发散性和不确定性量化方面优于确定性代理模型，用于气候预测？
• RQ5 与标准扩散模型相比，动力学启发设计在多大程度上提升了长期统计保真度？

主要发现

• 模型在6小时时间步长下实现了稳定的10年模拟，长期气候统计漂移极小，在时间平均均方根误差（RMSE）方面显著优于确定性和概率基线模型。
• Spherical DYffusion在多个大气场（包括地表气压和总水路径）上，将10年时间平均RMSE降低高达40%，优于基线模型。
• Spherical DYffusion的集合均值RMSE和CRPS持续低于概率基线模型，且发散技能比更接近1，表明其不确定性估计更校准。
• 尽管天气预报性能优异（5天RMSE较低），DYffusion与长期气候偏差之间无相关性，证实天气技能并非气候准确性的可靠代理。
• 该模型的集合性能在地表气压方面接近10成员参考集合，但在总水路径方面仍存在差距，表明不确定性表征存在场依赖性挑战。
• 该方法保持计算效率，前向传播次数少于确定性模型的3倍，使长期推理成为可行。