我们的模式和AI平台(Our model and AI platform)-地球系统模式(CIESM v1)和AI产品

1模式主页:

http://project.lasg.ac.cn/CIESM/index.html


大气模式分量

ECHAM系列是德国马普气象研究中心研发的MPI-ESM地球系统模式大气模式分量。ECHAM6.3是ECHAM系列发展到目前为止最新的版本,其属于全球大气环流模式,与JSBACH陆面模式嵌套一起升级发展。

ICM.V1中大气模式分量为ECHAM5,此次ICM.V3大气模式分量使用的ECHAM6.3相对ECHAM5有非常显著的差异,包括陆面过程,辐射方案,地表反照率估算以及对流诱发条件等等。为满足最新DKRZ高性能计算机计算性能最优,ECHAM6.3构架也有了明显的改变。ECHAM6.3采用谱动力框架和有限差分方案,垂直坐标为sigma坐标和气压坐标混合型坐标系(Simmons and Burridge1981)。模式水平和垂直分辨率有多种选择,考虑到计算资源有限以及需要长时间积分的情况下,ICM.V3中大气模式分量分辨率选用的是T63L47,水平分辨率与ICM.V2保持一致为T63(1.8º×1.8º),但垂直层从31层增加至47层。在辐射强迫方案方面,ECHAM6.3也有了相当程度的修改,短波和长波辐射方案分别被取代和升级,均采用了RPTM-G(RapidRadiation Transfer Model for General Circulation)方案(Iacono et al., 2008)。而地表辐射方案能应用到海洋,海冰(融雪坑也可被考虑)以及雪盖等方面。ECHAM6.3中的对流方案区分了浅、深以及中等程度的对流,浅和中等程度对流方案采用Tiedtke (1989)方案,而深对流方案采用Nordeng (1994)提出的方案。

最新版的ECHAM6.3包含了JSBACH陆面植被模块。JABACH拥有5层土壤,能模拟大气与陆地能量、动量、水汽以及示踪气体的交换过程,包含物理方面的参数化,比如热量、存储水以及与大气的相互交换过程等,还包含植物光合作用,植物和土壤中碳分配和储存等参数化,另外,JSBACH也包含水文模式,提供河流向海洋输送淡水等过程。本章使用的最新的JSBACH拥有动态变化的植被变化过程,陆地碳循环过程中能考虑外部指定的,人为土地覆盖变化等。更多ECHAM6的信息可以参考Stevenset al. (2012)和Giorgetta etal. (2013)的文章。

     

海洋模式分量

NEMO(Nucleus for European Modelling ofthe Ocean)全球海洋模式是由欧洲-地中海气候变化中心(Centro Euro-Mediterraneosui Cambiamenti Climatici,CMCC),法国国家科学研究中心(CentreNational de la Recherche Scientifique,CNRS),英国气象局(UnitedKingdom Met Office),墨卡托海洋国际(Mercator Ocean International)以及英国环境研究委员会(the Natural Environment Research Council,NERC)等5个欧洲联盟研究机构共同研发及发展。它的主体主要包括3个部分,物理海洋部分NEMO-OPA,海冰部分NEMO-LIM和生物地球化学部分NEMO-TOP。

NEMO的开源性以及在欧洲诸多研究机构的共同努力下使得其不断进化和发展,ICM.V1中海洋模式分量为NEMO2.3,海冰部分设定为固定的气候态海冰,故动态变化部分仅仅包含物理海洋。ICM.V3将其海洋分量部分升级至NEMO3.6版本,是截止至2018年发布的最新版本。从NEMO2.3至NEMO3.6经历了近20年的发展,在BUG修复和模拟性能上均有了很大的改善。这里使用的NEMO3.6选用与NEMO2.3保持类似的空间结构,采用三极子网格,原始方程采用Arakawa C格点求解。模式水平经纬分辨率为182×149,采用赤道加密技术,赤道附近分辨率为0.5º,赤道外为2º×2º,垂直层31层,从海表5m到105m有11层,最深层为5250.23m。NEMO-OPA物理海洋模块是采用有限差分、流体静力学、原始方程的海洋环流模型,垂直坐标采用z坐标系。示踪物和动量垂直混合方案采用湍流动能方案(Turbulent Kinetic Energy,Gaspar et al., 1990; Blanke and Delcluese, 1993),对中尺度涡旋参数化采用GM90方案(Gent and Mcwilliams1990),等密度扩散系数和等密度面厚度扩散系数随时间和空间变化。NEMO3.6它包含最新动态变化的海冰过程LIM3,增加多过程的海冰,裂冰以及冰山模块,满足了下一代IPCC的要求,为今后研究海冰对气候的影响提供有力工具;内嵌XIOS Input/Output管理系统,为模式并行后输入输出提供便利;海洋混合层方案TKE闭合方案的改进等等。详情可参考NEMO3.6书籍。



耦合器

在涉及多个模式分量相互作用的地球系统模式中,连接这些模式分量的软件就叫耦合器。耦合器是连接模式模块间相互交换变量的桥梁,一个好的耦合器它需要能够支持多个分量模块之间数据传输、不同网格之间数据的相互插值和协调模块间的运行,还需对插值后和传输后的数据保持质量守恒性,通量交换数据的稳定性等。另外,耦合的计算效率也必须是要考虑的一部分(Valcke et al. 2012)。

OASIS是由法国欧洲气候模拟和全球变化研究中心(CERFACS)自1991年开始开发出的耦合器,是世界上现有的耦合器中应用较为广泛的一个,至今发展有20多年。OASIS3的灵活性和它对分量模式间的低干扰性,让其在欧洲、澳大利亚、亚洲以及北美等地区有30多个不同的气候模式组在用它来耦合(Valcke et al. 2012)。ICM.V1就是采用了OASIS3(Valcke,2006)耦合器,但它耦合效率较低,一是因为是串行耦合器,二是该耦合器自身需要生成一个可执行文件,随着模式分辨率的不断提高,模式运行所需核数越来越多,多个可执行文件很大程度限制了模式对核数的可扩展性。

OASIS3_MCT是OASIS耦合器搭配了美国阿贡实验室(Argonne National Laboratory)开发的MCT(Larson et al.2005;Jacob et al.2005)工具。它能提供耦合变量插值和交换的全并行计算,不需要生成可执行文件,另外,和OASIS之前的版本一样,OASIS3_MCT保持了其低干扰性、可移植性和灵活性的设计理念。还有一点与OASIS3不同的是,由于增加了MCT,OASIS3_MCT也支持了NETCDF文件之间的相互交换,方便数据的存储、运输和管理。ICM.V3地球系统模式使用的是新版OASIS3_MCT_3.0()。

2.jpg

ICM.V1ICM.V3模式结构变化。其中ECHAM为大气模块,NEMO为海洋模块,OASIS为耦合器,TOP为生物地球化学模块,LIM3为海冰模块,JSBACH为陆面植被过程模块。


数据资料

ICM.V3通过OASIS3_MCT_3.0耦合器将德国马普气象研究所研发的全球大气环流模式ECHAM6.3和欧洲联盟研究机构共同研发的全球海洋NEMO3.6耦合在一起。大气模块水平分辨率采用T63,约1.8º×1.8º,垂直层为47层;海洋模块水平分辨率为182×149,采用赤道加密技术,赤道附近分辨率为0.5º,赤道外为2º×2º,垂直层31层,从海表5m到105m有11层,最深层为5250.23m。

为了检验新模式模拟的性能,我们将外强迫资料(如温室气体、太阳常数、气溶胶、陆面状态等)固定在工业革命前水平(本章后文称之为“控制试验”)。在这些外强迫驱动下,ICM.V3模式经过1000年的自由耦合,除了特殊申明,后文均为取最后100年的模拟结果来分析。另外为考察新模式模拟性能,我们也会将其模拟结果与ICM.V2的相比较。

本章内容所用到的再分析资料和观测资料包括Hadley中心逐月海表温度资料(Rayneret al. 2003),水平分辨率为1º×1º;850-hPa和近地面温度场采用美国NCEP/NCAR的逐月平均再分析资料(Kalney et al. 1996);10m风场采用日本JRA-55逐月平均再分析资料(Kobayashiet al. 2015),水平分辨率为2.5º×2.5º;降水数据采用GPCP(Adler et al. 2003)逐月平均资料,水平分辨率为2.5º×2.5º。本章所用资料的时间范围均为1860至2008年,为了方便比较,上述观测、再分析资料和ICM.V2模拟数据都线性插值到ICM.V3格点上。


4.4  模拟性能

4.4.1 稳定性

气候模式积分的稳定性是评判模式好坏的一个关键指标,它是模式能否长期积分的保障。图4.1是新地球系统模式ICM.V3控制试验下积分1000年全球SST平均(GM SST)的时间序列。由于海洋模式初始场各要素选用的是2008年的状态,该初始场与处于工业革命前水平的大气强迫场不匹配,故在最初50年积分中海洋-大气自由耦合,全球海表温度明显下滑,最终达到工业革命前水平而处于相对平衡状态。最后100年GM SST变化不到0.1°C,可判定该模式基本达到稳定水平,从侧面反映出ICM.V3模式具有很好的物质和能量守恒性。因此ICM.V3在没有在通量订正的情况下,能稳定且进行长时间积分。

3_副本.jpg


ICM.V3地球系统模式积分1000年控制试验的全球平均SST时间序列。

Fig4.1 The time series of global mean SST during the 1000-yr Pi-Controlrun in ICM.V3 Earth System Model.

SST模拟

全球年平均SST模拟的好坏通常是检验物理海洋模式非常重要的指标(张学洪等,2013)。图4.2分别是Hadley年平均SSTICM.V3控制试验模拟结果以及ICM.V3与观测的差值分布图。从图4.2a可以看出,年平均SST在赤道海区温度较高,赤道印度洋中东部和西太平洋附件海区为暖池,该区域温度最高超过28°C,在赤道东太平洋则有一个明显的冷舌伸向西侧。在纬向方向上,温度由赤道向高纬度海区逐渐递减,南北极地区SST温度低于-1°C。北半球海区由于边界流的作用海温呈现西侧高于东侧海区的现象。温度经向梯度在南半球30°S以南较大,同时受南极绕流的影响等温线纬向分布较为平直。上述这些特征包括从空间分布形态以及振幅大小上来看, ICM.V3模式的模拟结果中均有很好的提现(图4b)。相比较而言,从它们的差值图(图4c),我们可以发现,ICM.V3模式存在很多耦合模式均存在的模拟偏差,在赤道东太平洋冷舌模拟过强(Luo et al. 2005; Park et al. 2009; Zhu et al. 2017),最大偏冷有近2°C左右。另外,在北半球太平洋副热带海区模拟偏冷1-3°C,而北大西洋模拟最大偏冷在4°C以上。在对南极绕流地区45°S以南SST的模拟上,ICM.V3模拟大部分海区模拟偏暖。ICM.V3模式SST模拟偏差和Zhu et al.(2017)利用NCEP CFSv2L模式结果类似,大部分海区模拟均好于NCEP CFSv2L,尤其是在对副热带海区的模拟上。

4_副本.jpg


aHadISST观测和(bICM.V3模拟的年平均SST,以及(c)它们之间的差值图。单位:ºC

Fig 4.2Annual mean sea surface temperature for the (a) HadISST, (b) ICM.V3 model, and(c) the difference. Units: ºC

近地面气温的模拟

4.3给出了NCEP再分析资料和ICM.V3模拟的年平均近地面1000-hPa气温全球分布及其它们的差值图。从观测资料结果可以看出(图4.3a),1000-hPa气温在海区上空的分布形态与年平均SST分布类似(图4.2a),属于赤道暖,越往高纬地区越冷的分布形态。整体ICM.V3模拟结果与观测一致,它们之间的差值图(图4.3c)也有类似的模拟偏差。在陆地上,对北美45°N-70N高纬地区存在暖的模拟偏差,偏差大小在2-4C,但大部分北美洲陆地在+-1C范围内;在对欧亚大陆气温的模拟上,对45N附近地区的模拟偏差较低,对高纬地区有一定的冷偏差;对非洲和南美洲气温的模拟偏差也不大,最大偏差中心有较小范围的偏冷,在2-4C之间。另外,我们关注的东亚地区,除青藏高原地区虚假的偏冷信号,其他大部分模拟偏差不大,大部分在1°左右内的冷偏差。

5_副本.jpg

与图4.2类似,但为近地面1000-hPa年平均气温。单位:°C

Fig. 4.3The same as Fig.4.2, but for annual mean of 1000-hPa air temperature. Unites: °C.

海平面气压的模拟

大气平均流场存在明显的季节转换特征,为此图4.4我们给出了观测和ICM.V3模拟结果年平均、冬季以及夏季的海平面气压全球分布图。模式能很好的模拟出冬季北半球的冰岛低压、西伯利亚高压、阿留申低压、北美高压以及南半球大陆低压、三个大洋上空的副热带高压(图4.4b,e)。从冬季模式与观测的差值图可以看出(图4.4j),模式模拟偏差较小,与观测已经很接近了。仅对北太平洋海区上空的阿留申低压模拟有所偏高,存在一个约10hPa左右的高偏差中心。另外,对南极大陆海平面气压模拟偏高约5hPa左右。

对夏季海平面气压的模拟上,ICM.V3能很好地再现观测中副热带高压、格陵兰高压、亚洲热低压和北美热低压等环流系统(图4.4c,f)。就差值而言(图4.4k),模式仅对北半球太平洋高纬和南极大陆地区模拟有所偏高。整体从年平均海平面气压分布图可以看到(图a,d,i),ICM.V3对海平面气压场的模拟有着很好地刻画能力。

6_副本.jpg

4.4abc)观测和(defICM.V3模拟的年平均(ad)、冬季(be)和夏季(cf)海平面气压分布及其(ijk)对应的差值图。

Fig. 4.4Annual mean (a, d, i), winter time (b, e, j) and summer time (c, f, k) of sealevel pressure in observation, ICM.V3’ simulations and their difference.

图1:1982-2011年(共30年)Nino3.4指数后报试验结果。

7_副本.jpg

IESM地球系统模式对1982-2011年Nino3.4指数提前1个月预报技巧达0.97,提前3个月达0.86;提前6个月达0.78。ENSO预报技巧处于国际领先水平。

8_副本.jpg

图2. Nino3.4指数集合预报结果。从2018年12月起报,预报2019年1-6月。集合样本数为17个。红色曲线代表观测集合平均结果。


2 AI产品以及应用

2.1开发基于动力方程物理约束的图神经网络降水预测方法 传统深度学习方法为数据驱动,并未考虑物理约束,这导致模型结果不满足基本的守恒 律,如质量守恒、能量守恒,这不仅影响模型结果的闭合性,无法用于诊断分析,也限制了 模型的性能和应用前景。黄刚研究员团队开发的模型采用图网络方法表征降水预报中一些关 键过程的物理方程(omega 方程和水汽方程),考虑不同变量的耦合关系,构建使用物理方 程进行软约束的多变量耦合预测/校正模型。模型采用编码-解码结构以生成高分辨率的预测 结果,在编码阶段,使用图网络方法进行多变量的耦合,为关键要素提供融合如质量守恒、 能量守恒的软约束,在此基础上进行特征解码,最终得到预报/校正结果。 团队前期将基于动力方程图表示的图神经网络方法用于中国降水预测中,该模型使用水 汽方程、omega 方程进行图网络表示,并基于该图网络进行多变量非线性耦合。通过与数 值模式、其他深度学习模型比对,该模型在各降水分类,尤其是强降水预报上显著优于其他 模型。相关论文发表于权威期刊 Geophysical Research Letters(中科院一区,JCR 一区)。 Chen, Y., Wang, Y.*, Huang, G.*, & Tian, Q. (2024). Coupling physical factors for precipitation forecast in China with graph neural network. Geophysical Research Letters, 51, e2023GL106676. https://doi.org/10.1029/2023GL106676 (被国际科技创新中心平台、中科院院网、美国 AAAS EureAlert、机器之心等媒体报道;作为 AI for Science 重要成果接受院规划局采访)  

image.png

图 1 基于动力方程图表示的图神经网络方法 

image.png

图 2 多模型降水预测 TS 结果; NWP 为 ECMWF 预报结果,U-NET 为使用传统深度 学习模型预报结果,Cc 为使用三维时空卷积模型结果,Gc 和 Gce 为使用基于动力方程图 表示的图神经网络方法结果,其中 Gce 增加了先验物理信息的嵌入。  

2.2开发多尺度混合时空深度卷积神经网络模型——用于公里级气象预报 中国科学院大气物理所黄刚研究员团队针对气象、海洋数据的多尺度、时空耦合特征提 出了多尺度混合深度时空卷积模型,该模型通过融合空间卷积、时间轴堆叠和时空卷积等技 术,实现了降水等关键气象海洋要素时空特征的提取;并通过 two-stage 方法、先验概率 决策阈值校正、重构损失函数等方法,减缓了关键要素的极端不平衡性;同时为兼顾不同时 间尺度的预测性能,设计了多尺度混合损失,以平衡并兼顾不同时间尺度的预报技巧。该模 型通过对气象海洋数据不平衡、时空耦合等特征的处理,能够较广泛地适用于气象海洋环境 预测任务。基于该模型,团队获得首届齐鲁风云气象智能算法挑战赛三等奖,在包括香港大 学、华为公司等高校、企业在内的 200 支队伍中排名第六;同时,获得第二届人工智能创 新预报大赛,最终在 300 多只队伍中排名第六,获三等奖。  

image.png

图 3 多尺度混合时空深度卷积神经网络模型示意

image.png

图 4 获奖证书

2.3. 开发基于深度学习的公里级气象模拟、预报模式平台 在公里级尺度的气象预报问题上,由于观测数据网络无法达到这一尺度预报的需求,因 而无法直接使用深度学习方法进行预报。目前最为主流的方法是将全球粗分辨率(如 25 公 里)的预报结果驱动区域尺度数值模式(如 WRF)进行动力降尺度,进而得到公里级预报。 但是,WRF 对算力需求较大,调试成本高,同化难度大,耗时长、运维成本高,这些问题 都限制了传统方法在行业的应用和部署。针对这些问题,团队前期通过大量工作,积累了近 30T 的大气全变量 3km 级 WRF 降尺度超级数据集合。基于该超级数据集合与深度学习 方法,团队构建了深度学习的轻量化版本 WRF(D-WRF),实现目标区域秒级-分钟级 3KM 降尺度。相关成果依托海外风电重大项目(总经费 500 万),已在风电行业(国内某大型风 电企业)得到应用。

image.png

图 5 D-WRF 示意图