Paper: A physics-informed machine learning parameterization forcloud microphysics in ICON
Ellen Sarauer · Mierk Schwabe · Philipp Weiss · Axel Lauer · Philip Stier · Veronika Eyring
Cambridge University Press · 2025
Wir haben eine Parametrisierung der Wolkenmikrophysik für das ICON-Modell (Icosahedral Nonhydrostatic Modeling Framework) entwickelt, die auf physikalisch informierten maschinellen Lernverfahren (ML) basiert. Durch das Training unseres ML-Modells mit hochauflösenden Simulationsdaten verbessern wir die Darstellung der Wolkenmikrophysik in Erdsystemmodellen (ESMs) im Vergleich zu herkömmlichen Parametrisierungsschemata, insbesondere durch die Berücksichtigung des Einflusses hochauflösender Dynamiken, die in groben ESMs nicht aufgelöst werden. Wir führen eine globale ICON-Simulation im Kilometermaßstab mit einem Ein-Moment-Wolkenmikrophysikschema, dem komplexen Graupel-Schema, durch, um 12 Tage Trainingsdaten zu generieren. Unser ML-Ansatz kombiniert einen mikrophysikalischen Trigger-Klassifikator und ein Regressionsmodell. Der mikrophysikalische Trigger-Klassifikator identifiziert die Gitterzellen, in denen Änderungen aufgrund der wolkenmikrophysikalischen Parametrisierung zu erwarten sind. In diesen Zellen wird der Arbeitsablauf durch Aufruf des Regressionsmodells fortgesetzt und umfasst zusätzlich physikalische Beschränkungen für die Positivität der Masse und die Erhaltung der Wassermasse, um die physikalische Konsistenz sicherzustellen. Der mikrophysikalische Trigger-Klassifikator erreicht einen F1-Score von 0,93 bei der Klassifizierung unbekannter Gitterzellen. Das Regressionsmodell erreicht einen R2-Score von 0,72, gemittelt über alle sieben mikrophysikalischen Tendenzen an simulierten Tagen, die nur zur Validierung verwendet werden. Dies führt zu einer kombinierten Offline-Leistung von 0,78. Mithilfe von Erklärbarkeitstechniken haben wir die Korrelationen zwischen Eingabe- und Ausgabefunktionen untersucht und eine starke Übereinstimmung mit dem Graupel-Schema und damit ein physikalisches Verständnis der mikrophysikalischen Prozesse in Wolken festgestellt. Diese Parametrisierung bildet die Grundlage für die Weiterentwicklung der Darstellung mikrophysikalischer Prozesse in Wolken in Klimamodellen mit ML, was zu genaueren Klimaprognosen und einem besseren Verständnis des Klimasystems der Erde führt.
Cambridge University Press (2025)
https://doi.org/10.1017/eds.2025.10016
