基于深度学习的区域气候模型仿真器 | 一种新型混合降尺度方法的概念和首次评估

23年7月，Antoine Doury等人在Climate Dynamics上发表了《Regional climate model emulator based on deep learning: concept and first evaluation of a novel hybrid downscaling approach》，主要介绍了一种新的气候模型降尺度方法的开发和评估。该方法旨在提高气候变化信息在局部尺度上的可靠性，这对于影响研究和政策制定至关重要。其核心是一种新颖的混合方法，结合了经验性统计降尺度方法和区域气候模型（RCM）。

图片

引言：

气候模型在研究不同温室气体排放情景下的气候演变中有着很高的重要性。全球气候模型（GCMs）以较低的分辨率（50至300公里）覆盖整个地球，因此需要将GCM输出降至更高的分辨率以进行详细的局部影响研究。为此，发展了两种主要的降尺度方法：经验性统计降尺度（ESD）和动力降尺度（DD）。

经验性统计降尺度方法使用观测数据估算函数，将大尺度大气场与局部尺度变量联系起来。它们的优势在于高效的计算，但依赖于观测数据且假设大尺度与局部尺度关系不变。

动力降尺度则基于区域气候模型（RCMs），这些模型分辨率高于GCMs但限于特定区域。它们依赖于与GCMs相同的物理假设，提供高时间和空间分辨率的大气状态描述。RCMs的主要限制是它们的高计算成本。

图片

图1 随机选择一天的观测示意图。左图：每个地图代表输入域上的二维输入变量（X），蓝色数字对应一维变量（Z）。右图：目标域上近地面温度 Y 的示例

数据及其方法：

此研究重点模拟的是基于CNRM-ALADIN63区域气候模型的EURO-CORDEX模拟中的日近地面温度。这些模拟使用Lambert Conformal网格覆盖欧洲域（EUR-11 CORDEX）的0.11°（约12.5公里）规模。情景（2006-2100）基于第五阶段耦合模型比较计划（CMIP5）的两个代表性浓度路径：RCP4.5和RCP8.5。

文章详细介绍了基于深度学习的区域气候模型（RCM）仿真器的开发。该仿真器利用机器学习方法学习区域气候模拟中大尺度场和局部尺度变量间的关系，旨在估计并应用RCM中的降尺度函数到新的全球气候模型（GCM）模拟中。这一方法依赖于计算成本较低的机器学习算法，以增加高分辨率RCM模拟集合的规模。

RCM仿真器基于UNet，一种全卷积神经网络架构，重点用于仿真欧洲西部特定领域的日近地面温度。方法论部分提供了仿真器的完整描述，包括预测因子的选择、神经网络架构、训练框架和性能评估指标。

图片

图2 用于 UNet仿真器的神经网络结构图。

结果：

结果部分主要评估了仿真器的计算效率及其在高分辨率下复制近地面温度时间序列的能力。仿真器的评估分为两步：首先，在一个输入与输出完全相关的理想模型世界中进行评估；其次，使用全球气候模型（GCM）模拟的输入进行评估。结果显示，仿真器在计算效益和复制复杂空间结构及日变化方面表现出高度的准确性。

图片

图3 展示了从RCM真实值、仿真器和I-GCM在整个模拟期间的4个特定网格点的每日概率密度函数。

图3通过比较RCM真实值、仿真器和I-GCM在特定网格点的每日概率密度函数，展示了仿真器在模拟RCM输出方面的精确度。性能分数地图进一步揭示了仿真器相对于RCM真实值在整个模拟期间的整体性能。这表明仿真器能够有效地模拟RCM产生的数据，特别是在复杂的空间结构方面。

文章提供了所有可能需要的预测因子给仿真器，并让算法确定用于预测每个RCM网格点的正确组合。预测因子集合包括2维变量X和1维预测因子Z。这些变量根据每日空间平均值和标准偏差进行标准化，以确保在训练前对神经网络具有相同的重要性。1D变量集合包括温室气体总浓度、太阳和臭氧强迫，以及编码年内日子的余弦-正弦向量。为了始终给仿真器提供标准化的输入，Z根据参考时期（1971-2000年）的平均值和标准偏差进行标准化。

图片

图4 当前与未来气候的温度指标对比，展示RCM实际值、仿真器与I-GCM结果，包含误差分析及相关性度量。

图4展示了当前气候时期和未来气候变化情景下的长期平均气候学、高温天数和每日近地面温度的99百分位数。通过比较RCM真实值、仿真器和I-GCM，可以看出仿真器在模拟这些气候指标方面的准确性。误差地图和量化指标（如空间相关性和RMSE）提供了对仿真器性能的进一步评估，显示了仿真器在预测未来气候变化方面的有效性。

讨论：

1.GCM与RCM之间的不一致性：文章指出，近期研究揭示了RCM和其驱动GCM之间在各种变量上的大尺度偏差。这些不一致性是否为好事还是坏事（例如，由于不一致的大气物理或强迫因素）在理论上仍然存在争议，因此是否应该由仿真器复制这些不一致性也是一个问题。仿真器的设计使其只专注于学习RCM的降尺度功能，因此如果使用GCM输入，任何GCM-RCM之间的偏差都会在仿真器的输出和RCM结果之间保留。

2.静态假设：文章讨论了经验性统计降尺度（ESD）方法中的静态假设，这是其主要限制之一。仿真器与经典的ESD方法类似，但主要区别在于降尺度函数是在RCM模拟中学习的。通过在历史时期（1951-2005年）训练仿真器，测试了RCM-仿真器对于静态假设的有效性。结果显示，这种方法对于未来的气候变化模拟存在偏差，表明训练仿真器时应涵盖更广泛的可能气候状态。

3.预测因子的选择：对于本研究，作者选择了大量输入，几乎没有事先筛选，让仿真器自行选择每个网格点的正确输入组合。尽管这涉及大量数据并导致了多个预处理步骤，但研究还尝试了使用更少输入的仿真器，结果显示这种“简化”仿真器提供了令人满意的结果，并可被视为一个严肃的选项。

4.神经网络训练的不可重复性：讨论了深度神经网络的训练可能涉及的随机性（如初始化、操作顺序等），这可能导致不同训练实例之间的结果差异。为了评估这种不可重复性对RCM仿真器的影响，进行了一个Monte Carlo实验，其中相同配置的仿真器训练了31次，产生了31个不同的仿真器。结果显示，尽管训练路径可能有所不同，但所有仿真器的结果与第3节所述结果一致，显示出仿真器在使用GCM大尺度字段时的稳健性。

结论：

这项研究旨在探索一种新型的混合降尺度方法，即模拟区域气候模型（RCM）的降尺度功能。具体来说，就是学习将大尺度气候信息转换为区域气候模型执行的局部气候信息。这种方法被称为RCM-仿真器，旨在以较低的成本增加高分辨率区域模拟集合的大小。RCM-仿真器基于一种名为UNet的全卷积神经网络算法，显著降低了与RCM运算相关的计算成本。评估结果显示，仿真器总体上实现了其目标，能够非常好地捕捉从低分辨率信息到高分辨率近地面温度的转换。然而，它在准确模拟极端事件和完整气候变化幅度方面显示出一些限制。未来的工作应该集中在这两个方面，以进一步改进仿真器的能力。

文章来源：

https://link.springer.com/article/10.1007/s00382-022-06343-9