Ellen Sarauer · Mierk Schwabe · Philipp Weiss · Axel Lauer · Philip Stier · Veronika Eyring

Climate Change AI · 2024

In dieser Studie entwickeln wir eine physikalisch fundierte, auf maschinellem Lernen (ML) basierende Parametrisierung der Wolkenmikrophysik für das ICON-Modell. Durch das Training der ML-Parametrisierung mit hochauflösenden Simulationsdaten streben wir eine Verbesserung der Erdsystemmodelle (ESMs) im Vergleich zu herkömmlichen Parametrisierungsschemata an. Wir untersuchen die Verwendung eines mehrschichtigen Perzeptrons (MLP) mit Feature Engineering und physikalischen Beschränkungen und verwenden Erklärbarkeitstechniken, um die Beziehung zwischen Eingabe-Features und Modellausgabe zu verstehen. Unser neuartiger Ansatz liefert vielversprechende Ergebnisse, wobei die physikalisch informierte ML-basierte Parametrisierung der Wolkenmikrophysik einen R²-Score von bis zu 0,777 für ein einzelnes Feature erreicht. Darüber hinaus zeigen wir eine bemerkenswerte Verbesserung der Gesamtleistung im Vergleich zu einem Basis-MLP, wobei der durchschnittliche R²-Score über alle Variablen hinweg von 0,290 auf 0,613 steigt. Dieser Ansatz zur Verbesserung der Darstellung der Wolkenmikrophysik in ESMs verspricht eine Verbesserung der Klimaprognosen und trägt zu einem besseren Verständnis des Klimawandels bei.

Climate Change AI (2024)
https://www.climatechange.ai/papers/iclr2024/35