Atmospheric Transport Modeling of CO$_2$ with Neural Networks

要約

大気トレーサー輸送モデルを使用して大気中の CO$_2$ の分布を正確に記述することは、国際的な気候協定の実施を支援する温室効果ガスの監視および検証支援システムにとって不可欠です。
大規模なディープ ニューラル ネットワークは、大気の 3D モデリングを必要とする気象予測に革命を起こそうとしています。
この点では同様ですが、大気輸送モデリングは新たな課題にさらされています。
より長い期間にわたる安定した予測と全体にわたる質量保存の両方を達成する必要がある一方で、IO は計算コストと比較してより大きな役割を果たします。
この研究では、気象予測において最先端であることが証明されている 4 つの異なるディープ ニューラル ネットワーク (UNet、GraphCast、球面フーリエ ニューラル オペレーター、SwinTransformer) を調査し、大気トレーサー輸送モデリングへの有用性を評価します。
このために、オイラー大気輸送の機械学習エミュレーター用に調整された体系的なベンチマークである CarbonBench データセットを組み立てます。
アーキテクチャの調整により、大気中の CO$_2$ の着実な増加によって引き起こされる分布の変化からエミュレータのパフォーマンスを切り離します。
より具体的には、CO$_2$ 入力フィールドを平均ゼロの中心に配置し、明示的なフラックス スキームと質量固定器を使用して質量バランスを確保します。
この設計により、4 つのニューラル ネットワーク アーキテクチャすべてを使用して、6 か月以上にわたって安定した大量保存の転送が可能になります。
私たちの研究では、SwinTransformer は特に強力なエミュレーション スキル (90 日間 $R^2 > 0.99$) を示し、複数年のフォワード実行でも物理的に妥当なエミュレーションを実現しました。
この研究は、ニューラル ネットワークを使用した不活性微量ガスの高解像度順方向および逆方向モデリングへの道を切り開きます。

要約(オリジナル)

Accurately describing the distribution of CO$_2$ in the atmosphere with atmospheric tracer transport models is essential for greenhouse gas monitoring and verification support systems to aid implementation of international climate agreements. Large deep neural networks are poised to revolutionize weather prediction, which requires 3D modeling of the atmosphere. While similar in this regard, atmospheric transport modeling is subject to new challenges. Both, stable predictions for longer time horizons and mass conservation throughout need to be achieved, while IO plays a larger role compared to computational costs. In this study we explore four different deep neural networks (UNet, GraphCast, Spherical Fourier Neural Operator and SwinTransformer) which have proven as state-of-the-art in weather prediction to assess their usefulness for atmospheric tracer transport modeling. For this, we assemble the CarbonBench dataset, a systematic benchmark tailored for machine learning emulators of Eulerian atmospheric transport. Through architectural adjustments, we decouple the performance of our emulators from the distribution shift caused by a steady rise in atmospheric CO$_2$. More specifically, we center CO$_2$ input fields to zero mean and then use an explicit flux scheme and a mass fixer to assure mass balance. This design enables stable and mass conserving transport for over 6 months with all four neural network architectures. In our study, the SwinTransformer displays particularly strong emulation skill (90-day $R^2 > 0.99$), with physically plausible emulation even for forward runs of multiple years. This work paves the way forward towards high resolution forward and inverse modeling of inert trace gases with neural networks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google