Abstract
구름은 지구의 기후 시스템에 중요한 역할을 한다. Marine Cloud Brightening (MCB)와 같은 기후에 개입하는 기술의 의도치 않은 영향을 방지하기 위해 다양한 MCB 개입 시나리오의 “what-if” 조사를 하기 위해 Hybrid AI-assisted Visual Analysis Framework을 제안한다.
Introduction
MCB와 같은 기후 개입 기술을 연구하는 것은 전체 기후에 미치는 영향 및 의도하지 않은 영향을 파악하는 데 매우 중요하다. 이런 연구는 공간적/시간적으로 세밀하게 조정되어야 하고 수천 갸의 ESM(Earth System Model) 앙상블을 실행해야 한다. 그러나 이 시뮬레이션은 계산 비용이 많이 들어 잠재적인 영향을 탐색하는 것이 비현실적이다. 따라서, 하이브리드 AI 지원 시각 분석 프레임워크를 통해 구름이 기후에 미치는 영향 및 MCB의 다양한 기후 개입 시나리오를 탐색하고 잠재적 영향을 평가하고자 한다.
Related Work
- 기계학습 모델(SVM, LDA, KNN, Bayes’ rule, learning-from-crowds
model, online metric learning)을 사용하여 VA 시스템에서 분석 능력을 향상시킴 - Graph neural network based surrogate: 고가의 해양 시뮬레이션 모델의 매개 변수 공간 탐색을 위해 사용됨
- Multilayer perceptron surrogate model: 대화형 VA 시스템을 설계하는 데 상용됨
Climate Science Background
- Marine Cloud Brightening (MCB): 대기 중의 해양 구름에 해염 에어로졸을 분사하여 알베도(구름 반사율)을 증가시켜 주변 지역을 냉각시키는 게 목표. MCB의 효과는 지역적이며, 다양한 개입 시나리오에 대한 “what if” 분석이 필요하지만 다양한 시나리오 설계하는 것은 현실적으로 어렵다.
- Fluctuation-Dissipation Theorem (FDT): 기후 시스템이 동적 시스템이라는 가정을 하고, 이를 통해 FDT를 적용하여 기후 시스템의 태양 복사 에너지 변화나 지역적 해양 열 수렴 변화와 같은 외부 변화에 대한 반응을 추정한다. FDT를 이용하여 기후 시스템의 내부 변동성을 추출하고 이를 통해 외부 변화에 대한 기후 시스템의 반응을 모델링하여 위의 어려움을 해결한다.
Requirement of Analysis
시각 분석 프레임워크에 대한 주요 요구사항
- VA 시스템에서 MCB 개입 시나리오를 직접 수행하고 설정을 기록하여 이후 실험과 시뮬레이션을 위해 저장할 수 있어야 함.
- 새로운 변조된 입력 강제 필드로 모델을 실행할 때 분포 이탈 인스턴스를 모니터링할 수 있어야 함.
- 선택된 지역에 대한 기후 트리거 포인트 위험에 대한 개입의 잠재적인 영향을 평가할 수 있어야 함.
- 개별 시간 지연 AI 모델을 실행하고 구름-기후 반응 특성을 분석할 수 있어야 함.
Hybrid AI model
- Data: CESM2 Large Ensemble (CESM2-LE) 데이터를 사용하여 CESM2에서 제공하는 ESM 데이터를 훈련에 사용한다. 이 데이터는 역학적 변동성을 훈련하기 위한 많은 기후 노이즈를 요구하는 Fluctuation-Dissipation Theorem (FDT)에 적용하기 알맞다.
- Preprocessing: 시스템의 내부 변동성을 포착하기 위해 데이터를 계절성과 secular trend 에서 제거하는 특정 물리학적 전처리 단계를 수행한다. 이후 모델은 6가지 다른 복사 에너지 anomalies을 입력 받고, 3가지 다른 기후 anomalies을 출력으로 예측합니다.
- Spherical Grid Sampling: ESM 데이터는 균일하지 않은 2D 위도-경도 그리드 형식에 저장되므로, 지구의 회전 대칭성을 고려하여 이 샘플링을 통해 구형 1D 20면체 매쉬로 변환한다. 이는 다중 해상도 구조를 제공하여 여러 해상도 수준에서 필터링 가능하다.
- Multilayer Perceptron (MLP): 주요 기계학습 아키텍처로, 1024개의 뉴런을 포함하는 4개의 Hidden Layer를 가지고, learning rates는 초기에 2x10^(-4)로 설정되며, 각 epoch마다 10^(-6)씩 감소된다. CESM2-LE 데이터셋으로 15 epoch 동안 학습되었고, 레이어 정규화와 GELU 활성화 함수가 매 레이어마다 적용되었다.
- Physical Constraints: 훈련을 가속화하고 관련없는 통계적 관계 학습을 방지하기 위해 MSE 손실함수와 함께 4가지의 물리학적 제약 조건을 부과한다. (non-negative precipitation, atmospheric moisture budget, atmospheric
mass budget, atmospheric energy budget)
Visual Analysis System
다중 패널연결 상호 연결 레이아웃 설계
Interaction Panel (상호작용 패널)
- 일반 설정 (C1): 데이터셋의 원하는 시간 단계 선택, 시각화를 위한 특정 투영 방식 선택, 시각화 해상도 설정, 입력 및 출력 변수 시각화에 사용할 색상 맵 선택 가능.
- 모델 설정 (C2): 백엔드 하이브리드 모델 설정, 시간 지연 모델 선택, AI 에뮬레이터 모델 직접 실행, 이전 예측 데이터 삭제 가능.
- MCB 실험 활성화를 위한 패널 (C3): 개입 지속 시간, 개입 위치 선택, 개입할 구름 복사 이상점 필드 선택 가능.
Cloud Radiation and Climate Field Visualization (구름 복사 및 기후 필드 시각화)
- 입력 및 출력 필드 시각화: 입력 및 출력 기후 필드를 시각화하고, MCB 개입 실험에서는 이상점 필드도 표시 가능.
- 다변량 뷰 탭: 다변량 관계를 탐색하기 위해 병렬 좌표 플롯 제공.
Distribution-shift Visualization (분포 변화 시각화)
- MCB 개입 실험의 분포 변화 시각화: 새로운 이상점 필드를 시각화하고 기존 훈련 데이터와 비교하여 이상점을 추적.
Tipping Point Risk View (기후 특이점 위험 평가)
- 7개 사이트의 기후 특이점 위험 평가: 각 사이트에 대한 위험 여부를 시각적으로 표시하고 상세한 정보를 팝업으로 제공.
MCB Intervention Records (MCB 개입 기록)
- MCB 개입 실험 설정 저장: MCB 사이트 위치, 개입 매개변수 및 기간을 저장하고 나중에 검토할 수 있도록 허용.
