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

Resumo Técnico: Avaliação da Habilidade e Estabilidade do ArchesWeather e do ArchesWeatherGen sob Simulações Climáticas Multidecadais

Declaração do Problema
As simulações climáticas são essenciais para compreender as respostas futuras do clima a forçantes antropogênicas, contudo, os Modelos do Sistema Terrestre (MSTs) tradicionais dependem da resolução de equações diferenciais parciais (EDPs) com discretização espacial fina. Essa abordagem cria um gargalo computacional significativo, exigindo milhares de núcleos de supercomputador para simular um único ano, limitando assim a resolução espaço-temporal, os tamanhos de ensemble e o número de execuções de cenários. Embora os modelos baseados em dados tenham alcançado sucesso e eficiência tremendos na previsão do tempo, sua adaptação para simulação climática de longo prazo permanece um desafio aberto. Especificamente, estender modelos de tempo de curto prazo (treinados em dias) para emuladores climáticos multidecadais requer incorporar a física de movimento lento que impulsiona a evolução de longo prazo, como o forçamento radiativo e o acoplamento oceano-atmosfera, sem o custo computacional de modelos físicos totalmente acoplados.

Metodologia
Os autores adaptam dois modelos de aprendizado de máquina, o ArchesWeather (um modelo determinístico) e o ArchesWeatherGen (um modelo probabilístico de correspondência de fluxo), para funcionar como modelos atmosféricos forçados sob o protocolo do Projeto de Intercomparação de Modelos de IA (AIMIP) Fase 1. Este protocolo é análogo ao Projeto de Intercomparação de Modelos Atmosféricos (AMIP), utilizando temperatura da superfície do mar (TSM) histórica e cobertura de gelo marinho (CGM) como condições de contorno.

• Dados e Pré-processamento: Os modelos são treinados em dados ERA5 com média diária, regrididos para resolução de $1^\circ$. Para remover o ciclo diário e facilitar a dinâmica de longo prazo, o conjunto de dados consiste em médias diárias de 6 variáveis de superfície e 6 variáveis de ar superior em 13 níveis de pressão.
• Forçamento e Condicionamento: Os modelos são condicionados à TSM e à CGM com média mensal. Esses forçantes são concatenados às variáveis de superfície antes da incorporação.
• Arquitetura do Modelo: Ambos os modelos utilizam uma base de transformador aprimorada a partir do Pangu-Weather.
  • ArchesWeather-Mx4: Um ensemble determinístico de quatro modelos treinados independentemente (85M parâmetros cada), treinados para prever o próximo estado ($X_{t+\delta}$) dados os dois estados anteriores e os forçantes.
  • ArchesWeatherGen: Um modelo generativo de correspondência de fluxo (45M parâmetros) treinado nos resíduos normalizados entre o estado real e as previsões do ArchesWeather-Mx4. Isso permite previsão probabilística e geração de ensemble sem perturbar as condições iniciais.
• Treinamento e Execução: Os modelos são treinados em dados de 1979–2013. As execuções são inicializadas em 1º de outubro de 1978 e executadas de forma autoregressiva por 45 anos (1979–2024). Para cenários aquecidos, os forçantes de TSM são deslocados uniformemente em +2K e +4K.
• Métricas de Avaliação: O estudo emprega RMSE de Climatologia, distância de Cramér–von Mises (CM) para habilidade distribucional, diagramas de Taylor para padrões de grande escala (Modos Anulares), Índice de Oscilação Sul (IOS) para ENSO, o Índice Webster-Yang para a Monção Indiana e análise de período de retorno para extremos.

Principais Contribuições

1. Adaptação do Protocolo: O trabalho adapta com sucesso modelos de previsão do tempo em modelos climáticos atmosféricos forçados, integrando TSM e CGM mensais como variáveis de condicionamento, aderindo à configuração experimental do AIMIP Fase 1.
2. Execuções Estáveis de Longo Prazo: Os autores demonstram que esses modelos, originalmente projetados para previsão do tempo de 24 horas, podem produzir simulações climáticas estáveis de 45 anos com um ciclo anual estável e deriva mínima.
3. Extensão Probabilística: A introdução do ArchesWeatherGen permite a quantificação de incerteza baseada em ensemble e a captura das caudas da distribuição, abordando uma limitação dos modelos de tempo determinísticos em contextos climáticos.
4. Benchmarking Abrangente: O estudo fornece uma comparação rigorosa contra modelos baseados em física de última geração (por exemplo, MPI-ESM2-HR, CESM2) e reanálise ERA5 em climatologia, energia espectral, modos de circulação de grande escala e eventos extremos.

Resultados

• Climatologia e Tendências: Ambos os modelos reproduzem fielmente a climatologia e as circulações de grande escala do ERA5. O ciclo anual da temperatura do ar na superfície é estável, e os modelos capturam as tendências de aquecimento, embora subestimem ligeiramente a magnitude da tendência no período de teste em comparação com o ERA5.
• Habilidade Distribucional: O ArchesWeatherGen supera os contrapartes determinísticos e os modelos baseados em física na captura da distribuição completa dos estados climáticos, particularmente para variáveis com conteúdo de alta frequência, como umidade específica. Ele reproduz com sucesso as caudas das distribuições e mantém a energia espectral em comprimentos de onda mais curtos, evitando os efeitos de suavização frequentemente observados em modelos determinísticos.
• Padrões de Grande Escala:
  • Modos Anulares: Os modelos reproduzem com precisão os Modos Anulares do Norte (NAM) e do Sul (SAM), com coeficientes de correlação e razões de desvio padrão comparáveis ou superiores aos dos modelos numéricos.
  • ENSO: Os modelos forçados simulam com sucesso o ciclo El Niño-Oscilação Sul, capturando eventos fortes de El Niño e La Niña e a densidade espectral de potência correta (faixa de 2–7 anos), o que configurações não forçadas não conseguem fazer.
  • Monção: O índice de monção Webster-Yang e os campos vetoriais de vento correspondem estreitamente ao ERA5, mostrando sistemas de circulação corretos sobre o Sul da Ásia.
• Extremos: A análise de período de retorno indica que o ArchesWeatherGen captura eventos extremos de vento e temperatura com maior precisão do que o ensemble determinístico ou o modelo baseado em física MPI-ESM2-HR.
• Cenários Aquecidos (+2K/+4K de TSM): Sob forçantes de aquecimento fora da distribuição (OOD), os modelos permanecem estáveis e respondem com aumento da temperatura do ar na superfície e da umidade específica. A resposta da umidade específica alinha-se estreitamente com a aproximação de Clausius-Clapeyron (~6,1%/K). No entanto, a magnitude da resposta de temperatura é menor do que a dos modelos físicos (por exemplo, GFDL, CESM), e os modelos exibem um deslocamento para o polo no jato da hemisfério sul.

Significância e Limitações
O artigo afirma que o ArchesWeather e o ArchesWeatherGen representam um passo significativo em direção à emulação climática eficiente e baseada em dados. A principal significância reside em demonstrar que modelos de tempo, quando adequadamente condicionados em condições de contorno, podem simular dinâmicas climáticas multidecadais com estabilidade e fidelidade comparáveis aos modelos baseados em física, mas a uma fração do custo computacional. O modelo generativo (ArchesWeatherGen) aborda especificamente a necessidade de quantificação de incerteza e representação precisa de extremos.

Os autores reconhecem modestamente as limitações:

• Magnitude da Resposta: A resposta climática a forçantes de aquecimento OOD é menor do que o esperado e menor do que a dos modelos físicos. Os autores hipotetizam que isso se deve a efeitos de "regressão à média" inerentes ao modelo base determinístico e à falta de um módulo de acoplamento dedicado entre as variáveis atmosféricas e oceânicas.
• Custo Computacional: Embora mais eficientes do que os modelos baseados em EDPs, a abordagem generativa baseada em difusão (ArchesWeatherGen) é mais cara do que a inferência determinística.
• Configuração Idealizada: Os cenários +2K/+4K são idealizados (aquecimento uniforme) e não representam uma realidade física totalmente acoplada, servindo como uma primeira avaliação de adequação em vez de uma projeção climática definitiva.

O trabalho conclui que, embora esses modelos sejam notavelmente eficazes para simular a climatologia e a variabilidade históricas, melhorar sua resposta a cenários climáticos futuros requer pesquisas adicionais sobre métodos de condicionamento melhores e mecanismos de acoplamento dedicados.