Evaluating Skill and Stability of ArchesWeather and ArchesWeatherGen under Multi-Decadal Climate Simulations

Résumé technique : Évaluation de la compétence et de la stabilité d'ArchesWeather et d'ArchesWeatherGen sous des simulations climatiques multi-décennales

Énoncé du problème
Les simulations climatiques sont essentielles pour comprendre les réponses futures du climat aux forçages anthropiques, pourtant les modèles du système terrestre (MSE) traditionnels reposent sur la résolution d'équations aux dérivées partielles (EDP) avec une discrétisation spatiale fine. Cette approche crée un goulot d'étranglement computationnel significatif, nécessitant des milliers de cœurs de supercalculateurs pour simuler une seule année, limitant ainsi la résolution spatio-temporelle, la taille des ensembles et le nombre de scénarios de simulation. Bien que les modèles pilotés par les données aient atteint un succès et une efficacité considérables dans la prévision météorologique, leur adaptation à la simulation climatique à long terme reste un défi ouvert. Plus précisément, étendre les modèles météorologiques à court terme (entraînés sur des jours) à des émulateurs climatiques multi-décennaux nécessite d'intégrer la physique lente qui pilote l'évolution à long terme, telle que le forçage radiatif et le couplage océan-atmosphère, sans le coût computationnel des modèles physiques entièrement couplés.

Méthodologie
Les auteurs adaptent deux modèles d'apprentissage automatique, ArchesWeather (un modèle déterministe) et ArchesWeatherGen (un modèle de matching de flux probabiliste), pour fonctionner comme modèles atmosphériques forcés sous le protocole du Projet d'intercomparaison des modèles d'IA (AIMIP) Phase 1. Ce protocole est analogue au Projet d'intercomparaison des modèles atmosphériques (AMIP), utilisant la température de surface de la mer (TSM) historique et la couverture de glace de mer (CGM) comme conditions aux limites.

• Données et prétraitement : Les modèles sont entraînés sur des données ERA5 moyennées quotidiennement, réinterpolées à une résolution de $1^\circ$. Pour éliminer le cycle journalier et faciliter la dynamique à long terme, l'ensemble de données comprend des moyennes quotidiennes de 6 variables de surface et 6 variables d'altitude sur 13 niveaux de pression.
• Forçage et conditionnement : Les modèles sont conditionnés par la TSM et la CGM moyennes mensuelles. Ces forçages sont concaténés aux variables de surface avant l'encodage.
• Architecture du modèle : Les deux modèles utilisent une architecture de transformateur améliorée par rapport à Pangu-Weather.
  • ArchesWeather-Mx4 : Un ensemble déterministe de quatre modèles entraînés indépendamment (85 millions de paramètres chacun), entraînés pour prédire l'état suivant ($X_{t+\delta}$) étant donnés les deux états précédents et les forçages.
  • ArchesWeatherGen : Un modèle génératif de matching de flux (45 millions de paramètres) entraîné sur les résidus normalisés entre l'état réel et les prédictions d'ArchesWeather-Mx4. Cela permet la prévision probabiliste et la génération d'ensembles sans perturber les conditions initiales.
• Entraînement et déploiement : Les modèles sont entraînés sur les données de 1979 à 2013. Les déploiements sont initialisés à partir du 1er octobre 1978 et exécutés de manière autorégressive sur 45 ans (1979–2024). Pour les scénarios réchauffés, les forçages de TSM sont uniformément décalés de +2 K et +4 K.
• Métriques d'évaluation : L'étude utilise l'erreur quadratique moyenne (RMSE) de la climatologie, la distance de Cramér–von Mises (CM) pour la compétence distributionnelle, les diagrammes de Taylor pour les schémas à grande échelle (modes annulaires), l'indice d'oscillation australe (SOI) pour l'ENSO, l'indice de Webster-Yang pour la mousson indienne, et l'analyse des périodes de retour pour les extrêmes.

Contributions clés

1. Adaptation du protocole : Le travail adapte avec succès les modèles de prévision météorologique en modèles climatiques atmosphériques forcés en intégrant la TSM et la CGM mensuelles comme variables de conditionnement, conformément à la configuration expérimentale de la Phase 1 de l'AIMIP.
2. Déploiements stables à long terme : Les auteurs démontrent que ces modèles, conçus à l'origine pour la prévision météorologique sur 24 heures, peuvent produire des simulations climatiques stables sur 45 ans avec un cycle annuel stable et une dérive minimale.
3. Extension probabiliste : L'introduction d'ArchesWeatherGen permet la quantification de l'incertitude basée sur les ensembles et la capture des queues de distribution, répondant à une limitation des modèles météorologiques déterministes dans les contextes climatiques.
4. Évaluation comparative complète : L'étude fournit une comparaison rigoureuse par rapport aux modèles physiques de pointe (par exemple, MPI-ESM2-HR, CESM2) et à la réanalyse ERA5, couvrant la climatologie, l'énergie spectrale, les modes de circulation à grande échelle et les événements extrêmes.

Résultats

• Climatologie et tendances : Les deux modèles reproduisent fidèlement la climatologie et les circulations à grande échelle d'ERA5. Le cycle annuel de la température de l'air en surface est stable, et les modèles capturent les tendances de réchauffement, bien qu'ils sous-estiment légèrement l'ampleur de la tendance durant la période de test par rapport à ERA5.
• Compétence distributionnelle : ArchesWeatherGen surpasse les contreparties déterministes et les modèles physiques pour capturer la distribution complète des états climatiques, en particulier pour les variables à contenu haute fréquence comme l'humidité spécifique. Il reproduit avec succès les queues de distribution et maintient l'énergie spectrale aux longueurs d'onde plus courtes, évitant les effets de lissage souvent observés dans les modèles déterministes.
• Schémas à grande échelle :
  • Modes annulaires : Les modèles reproduisent avec précision les modes annulaires Nord (NAM) et Sud (SAM), avec des coefficients de corrélation et des rapports d'écart-type comparables ou supérieurs à ceux des modèles numériques.
  • ENSO : Les modèles forcés simulent avec succès le cycle El Niño-Oscillation australe, capturant les événements forts d'El Niño et de La Niña et la bonne densité spectrale de puissance (plage de 2 à 7 ans), ce que les configurations non forcées ne parviennent pas à faire.
  • Mousson : L'indice de mousson de Webster-Yang et les champs de vecteurs vent correspondent étroitement à ERA5, montrant des systèmes de circulation corrects au-dessus de l'Asie du Sud.
• Événements extrêmes : L'analyse des périodes de retour indique qu'ArchesWeatherGen capture les événements extrêmes de vent et de température avec plus de précision que l'ensemble déterministe ou le modèle physique MPI-ESM2-HR.
• Scénarios réchauffés (+2 K/+4 K de TSM) : Sous des forçages de réchauffement hors distribution (OOD), les modèles restent stables et répondent par une augmentation des températures de l'air en surface et de l'humidité spécifique. La réponse de l'humidité spécifique s'aligne étroitement sur l'approximation de Clausius-Clapeyron (~6,1 %/K). Cependant, l'ampleur de la réponse thermique est inférieure à celle des modèles physiques (par exemple, GFDL, CESM), et les modèles présentent un déplacement vers les pôles du courant-jet de l'hémisphère sud.

Importance et limites
L'article affirme qu'ArchesWeather et ArchesWeatherGen représentent une étape significative vers une émulation climatique efficace et pilotée par les données. L'importance principale réside dans la démonstration que les modèles météorologiques, lorsqu'ils sont correctement conditionnés par des conditions aux limites, peuvent simuler la dynamique climatique multi-décennale avec une stabilité et une fidélité comparables aux modèles physiques, mais à une fraction du coût computationnel. Le modèle génératif (ArchesWeatherGen) répond spécifiquement au besoin de quantification de l'incertitude et de représentation précise des extrêmes.

Les auteurs reconnaissent modestement les limites suivantes :

• Ampleur de la réponse : La réponse climatique aux forçages de réchauffement hors distribution est plus faible que prévu et plus faible que celle des modèles physiques. Les auteurs émettent l'hypothèse que cela est dû aux effets de « régression vers la moyenne » inhérents au modèle de base déterministe et à l'absence de module de couplage dédié entre les variables atmosphériques et océaniques.
• Coût computationnel : Bien que plus efficaces que les modèles basés sur les EDP, l'approche générative basée sur la diffusion (ArchesWeatherGen) est plus coûteuse que l'inférence déterministe.
• Configuration idéalisée : Les scénarios +2 K/+4 K sont idéalisés (réchauffement uniforme) et ne représentent pas une réalité physique entièrement couplée, servant d'une première évaluation de la pertinence plutôt que d'une projection climatique définitive.

L'étude conclut que, bien que ces modèles soient remarquablement efficaces pour simuler la climatologie et la variabilité historiques, l'amélioration de leur réponse aux scénarios climatiques futurs nécessite des recherches supplémentaires sur de meilleures méthodes de conditionnement et des mécanismes de couplage dédiés.