Understanding Perturbed Parameter Ensemble Sensitivities Using A Contrastive Learning Approach
作者: Da Fan, David John Gagne, Gregory S Elsaesser, Brian Medeiros, Addisu G Semie, Qingyuan Yang, Akila Sampath, Subashree Venkatasubramanian
分类: physics.ao-ph, cs.AI
发布日期: 2026-09-24
💡 一句话要点
提出对比学习方法以解析气候模拟中的参数敏感性问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 气候模拟 扰动参数集合 对比学习 可解释性 模型敏感性 云和辐射场 集成梯度
📋 核心要点
- 现有方法在多变量、空间结构输出中解释气候模型参数敏感性时面临挑战，尤其是在与观测数据校准时。
- 论文提出了一种对比学习模型，通过共享表示空间有效映射气候模拟的云和辐射场，增强了模型的可解释性。
- 实验结果显示，所提模型在区分不同PPEs时达到了94%的分类准确率，并揭示了模型与观测之间的显著差异。
📝 摘要（中文）
论文探讨了扰动参数集合（PPEs）如何影响气候模拟，并提出了一种可解释的对比学习模型，将五个每月的云和辐射场映射到共享表示空间。该模型在两个100成员的社区大气模型（CAM6）PPEs上进行训练，涵盖34个参数，显著提高了对模型差异的解释能力。实验结果表明，模型在保留季节变化和参数扰动的集合扩展的同时，实现了94%以上的线性分类准确率。
🔬 方法详解
问题定义：论文旨在解决如何有效解释扰动参数集合（PPEs）对气候模拟的影响，现有方法在处理多变量和空间结构输出时存在困难，尤其是在与实际观测数据的校准方面。
核心思路：论文提出了一种基于对比学习的模型，通过将不同的气候模拟输出映射到一个共享的低维表示空间，从而提高对模型参数敏感性的解释能力。这样的设计使得不同PPEs之间的差异能够被清晰地识别和分析。
技术框架：整体架构包括数据预处理、对比学习模型的训练和表示空间的构建。模型训练使用了两个不同的PPEs，分别为KK2000和TAU-ML，涵盖了34个气候参数。
关键创新：最重要的技术创新在于通过对比学习实现了气候字段的可解释表示，能够将模型差异归因于特定的变量、区域和季节，这在现有方法中是较为少见的。
关键设计：模型采用了集成梯度归因方法来突出不同区域对模型差异的贡献，特别是在亚热带低云、风暴轨迹和热带对流区域。同时，模型的损失函数设计考虑了季节性变化和参数扰动的影响。
🖼️ 关键图片
📊 实验亮点
实验结果显示，所提对比学习模型在区分KK2000和TAU-ML两种PPEs时，达到了94%以上的线性分类准确率。同时，模型能够有效揭示不同季节和区域对模型差异的贡献，尤其是在亚热带低云和热带对流区域的表现尤为突出。
🎯 应用场景
该研究的潜在应用领域包括气候模型的优化、气候变化影响评估和环境政策制定。通过提供对气候模拟参数敏感性的深入理解，研究结果能够帮助科学家和政策制定者更好地预测气候变化的影响，并制定相应的应对策略。
📄 摘要（原文）
Perturbed parameter ensembles (PPEs) reveal how physics parameters affect climate simulations, but interpreting parameter sensitivities across multivariate, spatially structured outputs remains challenging, particularly when calibrating models against observations. We develop an explainable contrastive learning model that maps 5 monthly cloud and radiation fields into a shared representation space. We train the model on the fields of two 100-member Community Atmosphere Model version 6 (CAM6) PPEs, spanning 34 parameters, that only differ in the warm rain microphysics scheme: KK2000, the default bulk microphysics scheme, and TAU-ML, a neural network emulator of a bin microphysics scheme. The learned representations separates two PPEs with over 94\% linear classification accuracy while preserving the seasonal variability and ensemble spread due to parameter perturbations. In the shared representation space, the representations of satellite observations occupy the same low-dimensional manifold as the PPEs but are displaced from them most strongly during boreal spring and autumn. TAU-ML PPE has a lower distance to observations compared to KK2000 in the representation space. Integrated Gradients attributions highlights the contributions in subtropical low-cloud regions, Northern and Southern Hemisphere storm track regions, and tropical convection regions to differences between PPEs and observations. Regional attributions correlate most strongly with parameters associated with cloud microphysics, boundary layer turbulence, and deep convection. These results demonstrate that explainable representations of climate fields can attribute model differences to specific variables, regions, seasons, and physical parameters.