Post-Simulations-Diagnose von mikrophysikalischen Prozessraten mit AI

Projekt-ID: MICRO

Einleitung

In diesem Projekt werden wir KI-basierte Werkzeuge für die Post-Simulationsdiagnose von Variablen entwickeln, die normalerweise nicht in einem Wetter- und Klimamodell gespeichert sind. Viele Variablen werden in Zwischenschritten während einer Wetter- und Klimasimulation berechnet. Aus Zeit- und Platzgründen muss jedoch entschieden werden, welche dieser Variablen für eine spätere Analyse gespeichert werden sollen. Meistens sind die ersten Opfer dieser Zwänge Prozessraten, z. B. mikrophysikalische Wolkenprozesse wie Kondensation und Gefrieren. Diese Prozesse sind wichtig für das Verständnis von Rückkopplungsschleifen, wie z. B. die Anpassung der Wolken an anthropogene oder natürliche Störungen, fallen aber aufgrund der oben genannten Einschränkungen oft zu kurz. Wir werden Methoden entwickeln, um die Werte dieser Prozessraten auf der Grundlage von Standard-Ausgangsvariablen und Hilfsinformationen zu schätzen. Dazu werden Trainings- und Evaluierungsdatensätze mit dem flexiblen Atmosphärenmodell ICON bei konvektionsauflösendem Gitterabstand durch Simulationen von mehreren Tagen mit unterschiedlichen Wettersituationen erzeugt.

Projektbeschreibung

Klima- und Wettermodelle müssen wichtige Zustandsvariablen und auch physikalische Mechanismen realistisch darstellen, um zuverlässige kurzfristige Vorhersagen und langfristige Projektionen zu erstellen. Es besteht ein großer Bedarf an fortschrittlichen prozessorientierten Diagnosen (Maloney et al., 2019), um ihre Leistung zu bewerten. Wolken und Wolkenrückkopplungen sind ein großer Unsicherheitsfaktor bei der Simulation des vergangenen, gegenwärtigen und zukünftigen Klimas (Boucher et al., 2013). Für eine echte prozessbasierte Analyse der Wolkenmikrophysik, der Aerosol-Wolken-Wechselwirkungen und der Wege der Niederschlagsbildung in numerischen Modellen sind Informationen über mikrophysikalische Prozessraten wie Kondensation, Gefrieren und Hydrometeorwachstum unerlässlich. Die Anfälligkeit von Wolken und Niederschlag für Störungen (z.B. zusätzliche Aerosole durch anthropogene Emissionen) kann nur dann beurteilt werden, wenn die mikrophysikalischen Pfade verstanden werden. Momentaufnahmen von Zustandsvariablen wie den Mischungsverhältnissen von Hydrometeoren reichen nicht aus, um die mikrophysikalischen Pfade zu erhellen. Mikrophysikalische Prozessraten werden jedoch in der Regel nicht ausgegeben, da sie ~20-50 dreidimensionale Variablen (je nach gewünschtem Detaillierungsgrad) umfassen würden. Diese Anzahl von Ausgabevariablen verdreifacht leicht den erforderlichen Speicherplatz im Vergleich zur Standardausgabe und beschränkt daher die Durchführbarkeit auf kurze Fallstudien und eine relativ kleine Anzahl von Sensitivitätsexperimenten (z. B. Barthlott und Hoose, 2018).

Die mikrophysikalischen Prozesse sind stark parametrisiert. Aufgrund der Abfolge der Prozesse und der gegenseitigen Abhängigkeiten reichen die Standard-Ausgabevariablen nicht aus, um die Prozessraten naiv anhand von Auszügen aus dem ursprünglichen Modellcode neu zu berechnen. Vorläufige Versuche für Eisbildungsprozesse zeigen in vielen Fällen Abweichungen von mehreren Größenordnungen und häufige "Fehlschläge" (d. h., die Neuberechnung ergibt eine Prozessrate von Null, während die tatsächliche Rate im Modell einen hohen Wert hat). Bei anderen Prozessen schlugen die Versuche mit naiver Neuberechnung fehl. Die Gründe dafür werden im Rahmen des Projekts erforscht, sind aber wahrscheinlich auf die nichtlineare und schwellenwertbasierte Natur der mikrophysikalischen Prozesse in Wolken zurückzuführen. Wir schlagen hier vor, eine durch künstliche Intelligenz unterstützte Methode zu entwickeln, um die mikrophysikalischen Prozessraten nach der Simulation mit dem ICOsahedral Nonhydrostatic (ICON)-Modell in einer begrenzten Gebietskonfiguration (Heinze et al., 2019) auf der Grundlage eines begrenzten Satzes von Standardausgabevariablen zu schätzen.

Literaturangaben

Boucher, O., … Hoose, C., et al, (2013): Clouds and Aerosols. In: Climate Change 2013: The Physical Science Basis (IPCC Assessment Report 5).

Carro-Calvo, L., C. Hoose, M. Stengel, and S. Salcedo-Sanz (2016): Cloud Glaciation Temperature Estimation from Passive Remote Sensing Data with Evolutionary Computing, J. Geophys. Res. Atmos., 121, 13591-13608, doi:10.1002/2016JD025552

Heinze, R., … Hoose, C., … et al. (2017): Large-eddy simulations over Germany using ICON: a comprehensive evaluation. Q.J.R. Meteorol. Soc. doi:10.1002/qj.2947

Maloney, E. D., et al. (2019). Process-Oriented Evaluation of Climate and Weather Forecasting Models, Bulletin of the American Meteorological Society, 100(9), 1665-1686. https://journals.ametsoc.org/view/journals/bams/100/9/bams-d-18-0042.1.xml

Neelin, J. D., et al. (2020). Machine Learning Based Process-oriented Earth System Model Evaluation, AGU Fall Meeting 2020, https://ui.adsabs.harvard.edu/abs/2020AGUFMGC105..01N/abstract

Reinhardt, T., and A. Seifert, 2006: A three-category ice scheme for LMK. COSMO Newsl., 6, 115–120.

Götz, M., … Streit, A. (2020): HeAT - A Distributed and GPU-accelerated Tensor Framework for Data Analytics, 2020 IEEE International Conference on Big Data (Big Data), IEEE, pp. 276-287, https://doi.org/10.1109/BigData50022.2020.9378050