Emulating the South Asian Atmospheric Variations: Framework and Inter-Comparison of Deep Learning Models

Technische Samenvatting: Emulatie van de Zuid-Aziatische Atmosferische Variaties

Probleemstelling
Hoge-resolutie atmosferische simulaties zijn cruciaal voor weers-, klimaat- en luchtkwaliteitbeoordelingen, met name in ontwikkelende regio's zoals Zuid-Azië waar systematische grondobservaties schaars zijn. Hoewel regionale chemie-transportmodellen (CTM's), zoals het Weather Research and Forecasting model gekoppeld aan Chemie (WRF-Chem), dergelijke hoge-resolutie datasets kunnen genereren, wordt hun toepassing beperkt door hoge computationele kosten. Deze kosten schalen snel met de ruimtelijke resolutie, wat frequente langetermijn-ensemble-simulaties en scenarioanalyses computationeel onhaalbaar maakt. Traditionele statistische benaderingen en ruimtelijke interpolatiemethoden slagen er vaak niet in om de complexe, nietlineaire en hiërarchische afhankelijkheden te vangen die inherent zijn aan atmosferische data. Er is daarom behoefte aan computationeel efficiënte methoden om hoge-resolutie regionale atmosferische velden te emuleren zonder expliciete numerieke vergelijkingen op te lossen.

Methodologie
De auteurs stellen een deep learning (DL) framework voor dat ontworpen is om WRF-Chem simulaties over Zuid-Azië tijdens het zomerseizoen (april–mei) te emuleren, een periode die wordt gekenmerkt door intense fotochemie en biomassaverbranding. De studie formuleert het probleem als een supervised learning taak waarbij het model globale predictieve velden mapt naar hoge-resolutie targetvelden.

• Databronnen:

  • Predictoren: Globale meteorologische velden van ERA5 (0,25° resolutie, per uur) en globale chemische velden van CAM-Chem (0,9°×1,25° resolutie, elke 6 uur).
  • Targets: Hoge-resolutie (0,2°×0,2°, per uur) oppervlaktevelden van WRF-Chem, specif kind van 2-meter temperatuur (T2m), 2-meter specifieke vochtigheid (Q2m), oppervlakteozon (O3) en fijn stof (PM2.5).
  • Preprocessing: Alle datasets werden hergegrid naar een gemeenschappelijk 213×213 ruimtelijk rooster en geïnterpoleerd naar een uurlijkse temporele resolutie. PM2.5 werd log-getransformeerd om scheefheid aan te pakken, en alle variabelen werden genormaliseerd met een Robust Scaler.

• Modelarchitecturen:
  Vier verschillende DL-architecturen werden getraind en onderling vergeleken:

  1. Convolutional Neural Network (CNN): Een baseline model dat sequentiële convolutionele lagen gebruikt om ruimtelijke relaties te leren zonder expliciete temporele afhankelijkheden.
  2. Convolutional Long Short-Term Memory (ConvLSTM): Een recurrente architectuur die ontworpen is om de temporele evolutie te vangen door sequenties van inputframes te verwerken terwijl ruimtelijke kenmerken behouden blijven.
  3. U-Net (3-block en 4-block): Encoder-decoder architecturen met skip-verbindingen, geconfigureerd met respectievelijk drie en vier encoder-decoder blokken, om multi-schaal ruimtelijke patronen te vangen.

• Training en Optimalisatie:
  Modellen werden getraind op 80% van de data (met 10% voor validatie) en getest op de resterende 20%. Sensitiviteitsexperimenten werden uitgevoerd om de impact van temporele context (gebruikmakend van 3, 6 en 12-uurs lags) en de vormgeving van de loss function (inclusief een perceptuele loss gebaseerd op VGG-19) te evalueren. De modellen werden geoptimaliseerd met de Adam optimizer met early stopping en learning rate scheduling.

Belangrijkste Resultaten
De studie evalueerde de emulatoren met metrieken waaronder de Structural Similarity Index (SSIM), de Pearson correlatiecoëfficiënt ($r$) en de genormaliseerde wortelgemiddelde kwadratische fout (NRMSE).

• Meteorologische Variabelen (T2m, Q2m): Alle architecturen vertoonden een hoge bekwaamheid in het reproduceren van meteorologische velden, met $r^2$-waarden tussen 0,96 en 0,99 en SSIM > 0,9. De modellen slaagden erin de ruimtelijke structuren en temporele variabiliteit te vangen, wat aangeeft dat de input globale velden voldoende informatie bevatten om de regionale meteorologische staat te beperken.
• Oppervlakteozon (O3): De modellen legden de O3-variabiliteit vast met matige bekwaamheid ($r^2$ tot 0,72; SSIM 0,6–0,7). Hoewel de modellen de temporele variabiliteit goed reproduceerden, vertoonden ze enige ruimtelijke bias, met name door temperaturen onder het Indiase landmass te onderschatten en de vochtigheid in specifieke regio's te overschatten.
• Fijn Stof (PM2.5): De prestaties voor PM2.5 waren het laagst en het meest ruimtelijk heterogeen ($r^2$ over het algemeen < 0,16, behalve over de Gangesvlakte waar $r^2$ ~0,6–0,7 bereikte). De modellen hadden moeite met het reproduceren van de magnitude van PM2.5-concentraties en scherpe ruimtelijke gradiënten, waarschijnlijk door de grove resolutie van de CAM-Chem inputvelden die er niet in slaagt lokale emissiegradiënten en complexe aerosolprocessen te vangen.
• Architectuur en Lag Vergelijking:
  • De U-Net-3blk configuratie met een 6-uurs temporele lag bleek de optimale architectuur, die de beste balans bood tussen prestaties, computationele efficiëntie en modelcomplexiteit.
  • Het vergroten van de U-Net diepte naar vier blokken (UNet-4blk) leverde slechts marginale verbeteringen op.
  • De ConvLSTM architectuur bood geen systematische verbeteringen ten opzichte van de CNN voor chemische variabelen en vertoonde prestatieverslechtering bij langere (12-uurs) lags, wat duidt op overfitting.
  • Het uitbreiden van de temporele lag voorbij 6 uur verbeterde de prestaties over het algemeen niet en verminderde deze in sommige gevallen zelfs.
  • Het toevoegen van een perceptuele loss function verbeterde de resultaten niet significant ten opzichte van de baseline.

Betekenis en Claims
Het artikel claimt dat DL-emulatoren een sterk potentieel hebben voor het uitvoeren van computationeel efficiënte, hoge-resolutie atmosferische simulaties, als surrogaten voor dure regionale modellen zoals WRF-Chem. De studie benadrukt dat een verenigd framework effectief zowel meteorologische als chemische variabelen kan emuleren, hoewel met wisselend succes afhankelijk van de complexiteit van de target variabele.

De auteurs benadrukken dat terwijl meteorologische velden goed worden bepaald door globale inputs, chemische variabelen zoals PM2.5 uitdagend blijven vanwege de inherente nietlineariteit van aerosolvorming en de beperkingen van grove globale chemische inputs bij het oplossen van lokale gradiënten. De studie positioneert zichzelf als een van de eerste inspanningen om zowel meteorologische als chemische variabelen binnen een enkel verenigd DL-framework voor de Zuid-Aziatische regio te emuleren. De auteurs concluderen dat toekomstig werk zich moet richten op het uitbreiden van het framework om extra variabelen op te nemen, trainen op langere datasets die contrasterende seizoenen dekken, en het verkennen van geavanceerde architecturen (zoals transformers) om de emulatie van complexe chemische processen verder te verbeteren.