基于生成似然框架的高分辨率气候模式评估

《Environmental Data Science》:A generative likelihood framework for high-resolution climate model evaluation

【字体: 大 中 小 】 时间:2026年07月15日 来源:Environmental Data Science 2.8

编辑推荐:

  下一代高分辨率(km尺度)气候模式有望在气候预估中实现前所未有的精度,但实现其潜力需要稳健的方法来量化模拟结果与真实世界观测的一致程度。传统上用于气候模式评估的基于平均值的度量忽略了km尺度模拟中精细结构所编码的物理信息。为克服这一局限,研究人员提出一种新颖的

  
下一代高分辨率(km尺度)气候模式有望在气候预估中实现前所未有的精度,但实现其潜力需要稳健的方法来量化模拟结果与真实世界观测的一致程度。传统上用于气候模式评估的基于平均值的度量忽略了km尺度模拟中精细结构所编码的物理信息。为克服这一局限,研究人员提出一种新颖的、统计原理驱动的评估方法,该方法基于生成图像模型的似然函数(Likelihood Function)。研究人员的方法提供了一种源自观测与模拟快照的似然分布(Log Likelihood Distribution)的连续相似性度量,能够重新定义高分辨率气候模式的评估、相互比较及参数调优。研究人员通过使用两颗最先进的全球km尺度模式模拟的对流云(利用其向外红外辐射场)来评估该方法的应用性与可解释性,以此展示该方法的适用性与可解释性。本工作为下一代气候模拟的基于观测的评估建立了一条可扩展的路径。
研究背景方面,全球km尺度模式是气候模拟的前沿,以10 km或更小的网格间距模拟大气与海洋,具备此前无法获取的物理细节,旨在解决低分辨率模式(约100 km网格间距)依赖参数化方案近似未解析过程(如对流、云形成、海洋涡流)所带来的主要系统误差与偏差。由于剩余亚网格过程的参数化仍存在显著不确定性,需对km尺度模式进行彻底评估。卫星观测是评估km尺度模式的关键,但因天气具有内在随机性,个别模拟快照无需与同期观测快照匹配,气候模式评估的核心在于判断模拟气候的统计特性是否与观测系统一致。传统评估采用时空平均输出对比(如均方误差、方差、相关性)或光谱分析,此类度量无法解释气候场的内在随机性,且忽视了编码底层物理过程关键信息的高分辨率时空结构;现有空间感知分布比较方法(如球卷积Wasserstein距离(Spherical Convolutional Wasserstein Distance, SCWD))仍无法捕捉km尺度模式相关的精细空间结构;过程导向诊断受限于特定区域案例研究或对追踪算法敏感;近期机器学习方法依赖全局快照、时空平均或不可直接观测变量,限制了解释性。因此,亟需一种满足六项标准(基于模拟场统计、时间局部、空间局部、评估可直接观测变量、侧重结构而非低阶统计、提供定量差异度量)的高分辨率气候模式评估度量。
研究人员开展了基于生成图像模型似然函数的统计驱动评估框架研究,以卫星影像快照直接评估km尺度气候模式。研究人员将观测与模式输出重投影至适用于神经网络训练的网格,在观测数据上训练生成模型以学习气候系统统计表示,基于训练模型估计的似然分布发散度评估km尺度模拟,并以两颗最先进km尺度模式(IFS-FESOM与ICON)对流雷暴云的向外长波辐射(Outgoing Longwave Radiation, OLR)场对比NOAA GOES-16卫星观测进行案例研究。研究得出结论:所提似然框架能稳健区分模式与观测,识别时空局部偏差;ICON在区域与日循环上较IFS-FESOM更接近观测,但在无对流参数化的km尺度模式下模拟的对流单体过小且无组织,IFS-FESOM则因对流组织性更强导致OLR场中大结构与晴空区更多而偏向高似然;该方法提供客观定量且数据集无关的度量,捕捉整体相似性与偏差的时空结构,补充了传统度量。该研究发表于《Environmental Data Science》,重要意义在于为下一代气候模拟的基于观测评估建立了可扩展路径,通过评估物理相关的精细结构指导模式改进,从而提升气候预估准确性以支撑气候政策与社会响应。
关键的技术方法方面,研究人员使用GOES-16卫星观测与IFS-FESOM、ICON两类km尺度耦合模式(nextGEMS cycle 4模拟,~10 km大气与5 km海洋分辨率,HEALPix网格zoom 9约12.7 km)的OLR场,分析GOES-16可见热带带(20°至130°W)2024年每小时数据并按日切分训练验证测试集以防信息泄露。数据经一阶保守重映射至HEALPix网格,通过直方图匹配(Histogram Matching)标准化模拟数据以消除大尺度偏差,裁剪为64×64像素块(步长32像素)。研究人员采用神经样条流(Neural Spline Flow, NSF)(归一化流(Normalizing Flow)家族,基于可逆微分变换与变量变换公式提供精确对数似然)仅在GOES观测上训练以学习统计分布,计算观测与模拟的对数似然分布(Log Likelihood Distributions),通过对称化Kullback-Leibler发散度(Symmetrized Kullback–Leibler Divergence, DSKL)量化相似性,并可按本地太阳时或坐标分层以诊断时空偏差。
研究结果部分,在2. Methods: likelihood-based evaluation of km-scale models中,研究人员形式化气候模式评估为比较未知观测分布pobs与模式分布qmodel,提出五步框架:重投影提取方片、仅用观测训练归一化流、计算观测与模拟似然、用DSKL评分相似性、按时间或位置分层似然分布以评估时空偏差。在2.1. Preliminaries中明确样本为局部方片而非全球快照,允许多模式比较。在2.2. Creating directly comparable observation–simulation datasets中,采用HEALPix网格满足球面等面积离散与矩阵表示需求,使用一阶保守重映射减插值伪影,并通过直方图匹配Fobs-1(Fsim(x'))消除大尺度偏差使转换后模拟服从观测分布。在2.3. Generative model likelihoods for similarity estimation中,拟合基于似然的生成模型p(x;θ)(采用归一化流)于观测X,估计离散对数似然分布Lobs与Lmodel,计算DSKL(Lobs∥Lmodel)=1/2[DKL(Lobs∥Lmodel)+DKL(Lmodel∥Lobs)]作为相似性度量,保留本地太阳时t与中心坐标(φ,λ)以分层研究条件分布Lobs|t、Lmodel|t、Lobs|(φ,λ)、Lmodel|(φ,λ)。在2.4. Normalizing flow likelihoods中,阐述归一化流通过可逆微分映射f(·;θ)与变量变换公式log p(x;θ)=log pZ(f(x;θ))+log|det(?f(x;θ)/?x)|提供精确似然,采用神经样条流(NSF)构造单调有理二次样条作为映射并最大化总对数似然训练。在3. Experiments and results中,研究人员用PyTorch Lightning训练NSF并于GOES OLR达到训练集每像素平均对数似然3.56、验证集3.53,似然双峰对应晴空与云区(云分数>40%基于200 W/m2阈值),晴空赋值高似然、多云变率大赋值低似然。在3.1. Datasets and experimental setup中,说明IFS-FESOM与ICON参数化差异(IFS含深/浅对流参数化),OLR分别直接输出或由top net thermal radiation(ttr)转换(OLR=-ttr/(3600 s)),GOES-16 OLR由ABI窄带红外测量估算并重映射至HEALPix,数据范围94.1至398.9 W/m2缩放至(0,1),GOES产出1,127,251训练块与380,781验证块。在3.2. Quantitative evaluation of km-scale models against observations中,通过计算DSKL得出ICON整体0.057±0.001、海洋0.110±0.001、陆地0.008±0.001;IFS-FESOM整体1.494±0.036、海洋2.433±0.044、陆地2.332±0.069,ICON更接近观测且陆地优于海洋,IFS-FESOM发散显著且在海陆分拆后更差,训练验证集间DSKL极低证实内部一致性。在3.3. Revealing spatial and temporal patterns of divergence中,空间分层显示ICON高发散集中于西南非深对流区(浅对流与晴空主导),深对流活跃区表现优异;IFS-FESOM全域均匀高发散且对流活跃区误差更大。时间分层显示IFS-FESOM与GOES的DSKL具日间依赖,下午对流峰值期一致性改善(15小时最低1.6),ICON全天DSKL近0.1平稳;似然直方图约1个月收敛。在3.4. Metric comparison and sensitivity tests中,平均绝对误差(Mean Absolute Error, MAE)揭示相反大尺度均值偏差(已被直方图匹配去除),SCWD贴近MAE敏感同类大尺度差异,多重分形(Multifractal)参数偏差与似然法相似但后者更具表现力捕捉超出标度行为的误差;NSF架构、标准化与方片尺寸变异下似然评分一致,证实基于小尺度结构特征的评估可靠性。
讨论部分总结,气候模式评估对确保模拟忠实代表地球系统与可靠预估至关重要,传统方法无法评估km尺度显式解析的时空结构,研究人员引入基于归一化流模型似然分布的定量相似性度量框架,配合HEALPix重投影与直方图匹配消除大尺度偏差以实现精细比较。案例研究显示该似然法稳健区分模式与观测并识别时空局部偏差,ICON总体较IFS-FESOM更接近观测但在深对流结构组织性上存在微小偏移,IFS-FESOM因对流组织性强而偏向高似然;该方法互补于捕获幅度偏差的MAE与SCWD,直方图匹配有意隔离形态差异,框架可扩展至多变量(短波辐射、水汽、降水)评估以指导下一代km尺度模式校准改进。研究结论部分翻译为:气候模式评估对于确保模拟忠实代表地球系统并提供可靠气候预估至关重要。为填补传统评估方法无法评估km尺度显式时空结构的空白,研究人员引入一种新框架,该框架从归一化流模型学习的似然分布中导出定量相似性度量。与现有度量不同,此方法直接衡量模拟与观测快照分布的相似性。为促进模式与观测间直接的细尺度聚焦比较,研究人员提出了一种数据集无关的流程,用于同质化数据集网格投影并通过直方图匹配去除大尺度偏差。研究人员展示了两颗km尺度气候模式IFS-FESOM与ICON的案例研究评估。结果表明,基于似然的方法能稳健区分模式与观测,识别两种模式中的时空局部偏差。总体而言,ICON在区域与日循环上与观测的一致性较IFS-FESOM更优。尽管如此,其与GOES相比略偏向较低似然,最可能的原因是它模拟了过小且无组织的对流单体,这符合无对流参数化的km尺度模式预期。IFS-FESOM则存在相反的持续偏高似然偏差,源于OLR场中对流组织性更强从而产生更大结构与更清晰的晴空区。研究人员提出的基于似然的方法提供了一种客观、定量且数据集无关的度量,捕捉模式偏差的整体相似性与时空结构。与MAE及SCWD的比较表明该框架提供了互补视角:MAE与SCWD在局部与区域分布上捕捉幅度偏差,而该方法直接探测模拟场中的精细空间结构,对km尺度模式相关分辨率的云形成等物理过程具备敏感性。为全面评估模式偏差,需将传统度量与本文引入的细尺度聚焦方法(如基于似然的评估)结合使用。直方图匹配去除了OLR分布的差异,从而丢弃了绝对幅度偏差的信息,这一选择旨在有意隔离模式与观测间的形态差异;若评估目标为保留对绝对偏差的敏感性,可采用其他标准化策略。本文框架支持模拟与观测的严谨比较,为下一代km尺度气候模式的校准与改进提供指导。尽管案例研究聚焦于向外长波辐射,该框架易于扩展。未来工作包括纳入短波辐射、水汽或降水等额外变量,以更全面评估模式真实性。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号