Understanding cirrus clouds using explainable machine learning

要約

タイトル：説明可能な機械学習を用いた薄氷雲の理解

要約：

– 薄氷雲は地球温暖化に大きな影響を与える。気象条件やエアロゾル条件に依存しているため、グローバル気候モデルの中でも最も不確定な要素である。
– 衛星データと再解析データを3年分使用し、薄氷雲の形成要因と雲特性の関係を分析するためにグラデーションブースティング機械学習モデルとLSTMネットワークを用いた。
– このモデルによって気象条件やエアロゾル条件が$R^2=0.49$の正確度で薄氷雲の特性を予測することができることが示された。
– SHAPを用いて、気象条件やエアロゾル条件と薄氷雲の関係を定量化することができた。例えば、氷晶数の予測を減少させるために必要なスーパーマイクロンサイズの塵粒子の最小濃度は$2\times10^{-4}$mg m\textsuperscript{-3}であることが明らかになった。
– 観測の15時間前までに、すべての薄氷雲特性を予測することができる。

要約(オリジナル)

Cirrus clouds are key modulators of Earth’s climate. Their dependencies on meteorological and aerosol conditions are among the largest uncertainties in global climate models. This work uses three years of satellite and reanalysis data to study the link between cirrus drivers and cloud properties. We use a gradient-boosted machine learning model and a Long Short-Term Memory (LSTM) network with an attention layer to predict the ice water content and ice crystal number concentration. The models show that meteorological and aerosol conditions can predict cirrus properties with $R^2 = 0.49$. Feature attributions are calculated with SHapley Additive exPlanations (SHAP) to quantify the link between meteorological and aerosol conditions and cirrus properties. For instance, the minimum concentration of supermicron-sized dust particles required to cause a decrease in ice crystal number concentration predictions is $2 \times 10^{-4}$ mg m\textsuperscript{-3}. The last 15 hours before the observation predict all cirrus properties.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI