Neural general circulation models optimized to predict satellite-based precipitation observations

要約

気候モデルは、降水量、特に極端な降水量と日周サイクルを正確にシミュレートするのに苦労しています。
ここでは、衛星ベースの降水観測に基づいて直接トレーニングされたハイブリッド モデルを紹介します。
私たちのモデルは 2.8$^\circ$ 解像度で実行され、微分可能な NeuralGCM フレームワーク上に構築されています。
このモデルは、降水量のシミュレーションにおいて、既存の大循環モデル、ERA5 再解析、および全球雲解決モデルに比べて大幅な改善を示しています。
私たちのアプローチは、偏りの減少、より​​現実的な降水分布、極端な表現の改善、およびより正確な日周期をもたらします。
さらに、これは ECMWF アンサンブルの中程度の降水量予測を上回っています。
この進歩により、現在の気候のより信頼性の高いシミュレーションへの道が開かれ、観測に関するトレーニングを使用して GCM を直接改善する方法が実証されます。

要約(オリジナル)

Climate models struggle to accurately simulate precipitation, particularly extremes and the diurnal cycle. Here, we present a hybrid model that is trained directly on satellite-based precipitation observations. Our model runs at 2.8$^\circ$ resolution and is built on the differentiable NeuralGCM framework. The model demonstrates significant improvements over existing general circulation models, the ERA5 reanalysis, and a global cloud-resolving model in simulating precipitation. Our approach yields reduced biases, a more realistic precipitation distribution, improved representation of extremes, and a more accurate diurnal cycle. Furthermore, it outperforms the mid-range precipitation forecast of the ECMWF ensemble. This advance paves the way for more reliable simulations of current climate and demonstrates how training on observations can be used to directly improve GCMs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google