Machine Learning Driven Sensitivity Analysis of E3SM Land Model Parameters for Wetland Methane Emissions

要約

メタン (CH4) は二酸化炭素に次いで 2 番目に重要な温室効果ガスであり、観測された大気温暖化の 16 ～ 25% に寄与しています。
湿地は世界のメタン排出の主な自然発生源です。
しかし、生物地球化学モデルからの湿地メタン排出量の推定にはかなりの不確実性が含まれています。
この不確実性の主な原因の 1 つは、メタンの生成、酸化、輸送に影響を与えるさまざまな物理的、生物学的、化学的プロセス内の多数の不確実なモデル パラメーターから生じます。
感度分析 (SA) は、メタン排出の重要なパラメーターを特定し、将来の予測におけるバイアスと不確実性を低減するのに役立ちます。
この研究では、エネルギー エクサスケール地球システム モデル (E3SM) 陸上モデル (ELM) のメタン モジュールにおける重要な生物地球化学プロセスに関与する 19 の選択されたパラメーターに対して SA を実行します。
さまざまな CH4 フラックスに対するこれらのパラメーターの影響は、さまざまな植生タイプを持つ 14 か所の FLUXNET-CH4 サイトで検査されます。
大域分散ベースの SA には膨大な数のモデル シミュレーションが必要であるため、機械学習 (ML) アルゴリズムを使用して ELM メタン生物地球化学の複雑な挙動をエミュレートします。
ML により、計算時間が 6 CPU 時間から 0.72 ミリ秒に大幅に短縮され、計算コストの削減が実現します。
我々は、明らかな季節変動にもかかわらず、CH4 の生成と拡散に関連するパラメーターが一般に最も高い感度を示すことを発見しました。
摂動パラメータセットからのシミュレートされた放射を FLUXNET-CH4 観測と比較すると、デフォルトのパラメータ値と比較して各サイトでより良いパフォーマンスが達成できることが明らかになりました。
これにより、ベイジアン最適化などの高度な最適化手法を使用したパラメータ校正を使用して、シミュレートされた放出をさらに改善する余地が得られます。

要約(オリジナル)

Methane (CH4) is the second most critical greenhouse gas after carbon dioxide, contributing to 16-25% of the observed atmospheric warming. Wetlands are the primary natural source of methane emissions globally. However, wetland methane emission estimates from biogeochemistry models contain considerable uncertainty. One of the main sources of this uncertainty arises from the numerous uncertain model parameters within various physical, biological, and chemical processes that influence methane production, oxidation, and transport. Sensitivity Analysis (SA) can help identify critical parameters for methane emission and achieve reduced biases and uncertainties in future projections. This study performs SA for 19 selected parameters responsible for critical biogeochemical processes in the methane module of the Energy Exascale Earth System Model (E3SM) land model (ELM). The impact of these parameters on various CH4 fluxes is examined at 14 FLUXNET- CH4 sites with diverse vegetation types. Given the extensive number of model simulations needed for global variance-based SA, we employ a machine learning (ML) algorithm to emulate the complex behavior of ELM methane biogeochemistry. ML enables the computational time to be shortened significantly from 6 CPU hours to 0.72 milliseconds, achieving reduced computational costs. We found that parameters linked to CH4 production and diffusion generally present the highest sensitivities despite apparent seasonal variation. Comparing simulated emissions from perturbed parameter sets against FLUXNET-CH4 observations revealed that better performances can be achieved at each site compared to the default parameter values. This presents a scope for further improving simulated emissions using parameter calibration with advanced optimization techniques like Bayesian optimization.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google