通过从高分辨率大气模拟中粗粒化模型方程和输出的方式学习神经网络参数化,实现替换传统的物理模型的亚网参数化方法,最终实现稳定的气候模拟并提高计算效率。
Oct, 2020
通过提取关键特征并使用这些相关特征进行神经网络微调,我们提出了一种有效的有监督学习框架,用于基于深度学习的参数化模型,以实现物理上一致、可解释性较强且与标准黑盒深度学习参数化模型在预测性能上保持相等的预测性能。
Jun, 2024
通过将不同的大气动力学求解器与机器学习组件相结合,我们展示了首个能够生成确定性天气、集合天气和气候预测的 GCM 模型 NeuralGCM,其预测能力与最佳的机器学习和基于物理的方法相当,同时在天气和气候方面,我们的方法相对于传统 GCMs 有数量级的计算节省,并能够增强对地球系统的理解和预测所必需的大规模物理模拟。
Nov, 2023
本篇文章研究如何使用神经网络对大气环流系统的参数进行建模,从而更精确地预测系统的状态。
Apr, 2019
使用图注意力网络和多层感知器,我们提出了一个简单而有效的机器学习模型,可以分别学习动力核心中的水平运动和物理参数化中的垂直运动,以提高全球天气预报的准确性和效率。
May, 2024
数据驱动的深度学习模型正在改变全球的天气预报,但能否成功应用于气候建模仍存在挑战。本文提出了首个能够生成准确且物理一致的全球气候集合模拟的条件生成模型。我们的模型每隔 6 小时进行一次时间步骤,并在 10 年的模拟中保持稳定。我们的方法超越了相关基准,并几乎达到了成功模拟气候模型的黄金标准。我们讨论了基于动力学信息扩散模型的关键设计选择,这为高效的数据驱动气候模拟迈出了重要一步,有助于更好地理解地球并适应不断变化的气候。
通过在气候模型中嵌入基于高分辨率 Unified Model 模拟的多输出高斯过程(MOGP)的训练,我们克服了与云形成相关的气候模拟中的长期偏见。利用 MOGP 预测的温度和比湿的变化,对简化的大气环流模型 SPEEDY 进行在位耦合。将 SPEEDY 的温度和比湿剖面按照 MOGP 预测的变化进行固定间隔的扰动。生成了控制模型和混合 ML 模型的十年预测。混合模型将全球降水偏差减少了 18%,在热带地区减少了 22%。为了进一步了解这些改进的驱动因素,我们还探索了一些感兴趣的物理量,如抬升指数值的分布和哈德利环流的改变。在温暖的气候环境中,还运行控制和混合设置的海面温度增加 4K 的实验,以探索该方法对云覆盖和降水模式的影响。
使用机器学习模型模拟全球大气重力波通量,以替代传统的单柱参数化方法,展示了全局非局域性在使用数据驱动方案模拟大气重力波时的重要性和有效性。
通过数据同化和机器学习技术的结合,可以将全球观测和局部高分辨率模拟整合到地球系统模型中,从而实现系统化学习和降低气候模型中参数化的不确定性。
Aug, 2017
本文研究了使用生成模型改善高分辨率气象数据在一些应用中的空间一致性问题,特别是在降水降尺度方面,该方法可应用于水文学等领域以应对气候变化。
Apr, 2023