Jun, 2018

利用机器学习参数化湿对流：对气候、气候变化和极端事件建模的潜力

PDF
TL;DR本研究借助机器学习作为一个新的参数化方式，直接从高分辨率模型输出中学习新的对流参数化，然后进行了为期一年的筛查，确保新的参数化方式与原有的传统参数化方法保持一致，而且还对该新方法的效果进行了评估，结果表明，该方法能够更准确地模拟气候特征。
发现论文，激发创造
  • 气候模型中机器学习参数化的系统抽样和验证

    混合物理机器学习气候模拟的研究表明，在线模型性能在内存融合、相对湿度输入特征转化和附加输入变量等方面得到改善，而在线误差的显著变化和离线与在线错误统计的不一致性表明应对数百种候选的机器学习模型进行在线评估来检测参数化设计选择的影响。

    Sep, 2023

  • 用神经网络将天气预报分解为平流和对流

    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

  • 神经广义环流模型

    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

  • 机器学习对多尺度 Kain-Fritsch (MSKF) 对流方案的参数化

    南中国沿海经常发生局地且持续时间较长的暖区强降雨，预测其仍然具有挑战性。本研究提出了一个基于多输出双向长短期记忆（Bi-LSTM）模型的新的替代尺度感知 MSKF CP 方案，实验结果表明 Bi-LSTM 模型能够高精度地预测南中国地区的天气情况，并有望在灰区替代 MSKF 方案。

    Nov, 2023

  • 随机参数化的机器学习

    使用机器学习的数据驱动方法来替代参数化方案，并结合随机化技术的大气模型的研究领域关键词。

    Feb, 2024

  • 使用深度学习来描述气候模型中的子网格过程

    利用深度学习可以以极小的计算代价代替传统的云细度建模的层状参数化方法，实现全球多年的气候预测。

    Jun, 2018

  • 嵌入机器学习子网格可变性改善气候模型偏差

    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。

    Jun, 2024

  • 朝物理一致的深度学习迈进气候模型参数化

    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

  • 探索适用于大气 / 海洋预测的混合机器学习 / 基于物理模型的潜力

    通过将机器学习与传统物理模型相结合的混合建模方法，本研究探索了超出中期的天气预测潜力。基于 SPEEDY 模型，该混合模型在预测实验中使用了机器学习变量和简化参数化大气环流模型，并在预测 El Niño 循环和降水的赤道变异方面表现出与高分辨率传统物理模型相当的预测能力。

    May, 2024

  • 使用神经网络对亚网大气过程进行稳定、精确、物理一致参数化，并在降低精度的情况下具有良好性能

    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