A non-intrusive machine learning framework for debiasing long-time coarse resolution climate simulations and quantifying rare events statistics

要約

気候の急速な変化により、異常気象の頻度と激しさは今後数十年間で増加すると予想されています。
完全に解決された気候シミュレーションは依然として計算上扱いにくいため、政策立案者は極端な事態のリスクを定量化するために大まかなモデルに依存する必要があります。
ただし、粗いモデルには、「サブグリッド」スケールが無視されるため、固有のバイアスが発生します。
ニューラルネットワーク（NN）補正演算子を使用して、粗解像度の気候予測を非侵入的にバイアス解除するフレームワークを提案します。
これまでの取り組みでは、統計と一致する損失関数を使用して、そのような演算子を訓練することが試みられてきました。
ただし、トレーニング データよりも戻り期間が長いイベントでは、参照統計が収束していないため、このアプローチは不十分です。
ここでの目的は、トレーニング データよりも長い戻り期間でダイナミクスの修正と極端なイベントの定量化を可能にする学習方法を定式化することです。
主要な障害は、根底にあるダイナミクスの混沌とし​​た性質です。
この課題を克服するために、参照データとその参照に向かって微調整される粗いモデル シミュレーションを使用して補正オペレーターをトレーニングする動的システム アプローチを導入します。
この方法は、解像度が不十分な準地衡モデルとエネルギー エクサスケール地球システム モデル (E3SM) のバイアスを軽減する方法を示します。
前者については、私たちの方法により、トレーニング データよりも 2 オーダー長い戻り期間を持つイベントの定量化が可能になります。
後者については、8 年間の ERA5 データでトレーニングされた場合、私たちのアプローチは、すべての予後変数の 36 年間の ERA5 統計を厳密に反映するように粗い E3SM 出力を修正し、その空間的偏りを大幅に軽減することができます。

要約(オリジナル)

Due to the rapidly changing climate, the frequency and severity of extreme weather is expected to increase over the coming decades. As fully-resolved climate simulations remain computationally intractable, policy makers must rely on coarse-models to quantify risk for extremes. However, coarse models suffer from inherent bias due to the ignored ‘sub-grid’ scales. We propose a framework to non-intrusively debias coarse-resolution climate predictions using neural-network (NN) correction operators. Previous efforts have attempted to train such operators using loss functions that match statistics. However, this approach falls short with events that have longer return period than that of the training data, since the reference statistics have not converged. Here, the scope is to formulate a learning method that allows for correction of dynamics and quantification of extreme events with longer return period than the training data. The key obstacle is the chaotic nature of the underlying dynamics. To overcome this challenge, we introduce a dynamical systems approach where the correction operator is trained using reference data and a coarse model simulation nudged towards that reference. The method is demonstrated on debiasing an under-resolved quasi-geostrophic model and the Energy Exascale Earth System Model (E3SM). For the former, our method enables the quantification of events that have return period two orders longer than the training data. For the latter, when trained on 8 years of ERA5 data, our approach is able to correct the coarse E3SM output to closely reflect the 36-year ERA5 statistics for all prognostic variables and significantly reduce their spatial biases.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google