Feb, 2020

基于深度学习的数据驱动超参数化：多尺度 Lorenz 96 系统和迁移学习实验

PDF
TL;DR本文提出了一种新的子网格数据驱动超参数化 (DD-SP) 方法，该方法利用机器学习方法（如循环神经网络）以数据驱动的方式集成小尺度过程的方程式，与传统的参数化方法相比，DD-SP 在预测准确性和计算成本方面具有显著优势，并且研究了传递学习在模型泛化能力方面的应用和挑战。
super-parameterizationdata-drivenparameterizationmachine learningtransfer-learning
发现论文，激发创造
  • 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

  • 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

  • 结合数据同化和机器学习推断未解决的尺度参数化

    本文提出了一种基于机器学习和数据同化的方法，用于从具有噪声和稀疏观测的直接数据中训练基于参数化模型的机器学习模型，在 Lorenz 模型和 MAOOAM 模型中证明，相较于截断模型，该模型具有更好的对系统吸引子的预测能力和更好的预测技能。

    Sep, 2020

  • 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

  • 多层次气候模型参数化以提升泛化与外推能力

    多重保真度方法通过整合不同准确度和丰富度的数据集，结合了基于物理的参数化和基于机器学习的参数化，使得在训练数据范围外进行外推成为可能，且能够提供更高准确性的气候预测模拟，而不需要大量计算资源增加。

    Sep, 2023

  • 随机参数化的机器学习：在 Lorenz '96 模型中使用生成对抗网络

    本研究使用生成对抗网络（GAN）机器学习框架开发了随机参数化模型，通过评价天气和气候时间尺度上的模型运行结果，发现一些 GAN 配置表现更好，能够紧密地再现 Lorenz'96 系统的时空相关性和模式。

    Sep, 2019

  • 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

  • 多尺度神经算子：学习快速且与网格无关的 PDE 求解器

    利用神经算子的混合模型有效缩短了气候、化学或天体物理领域的数值模拟所需的计算成本、提升了模型预测精度、并提供了更灵活的可靠的参数化方法。

    Jul, 2022

  • 应用概率机器学习更好地建模参数化中的时间模式：以 Lorenz 96 模型为例

    研究了如何通过机器学习，将红噪声与强化学习相结合，提高气候模型对小尺度过程的近似准确性。

    Mar, 2022

  • 使用单幅图像超分辨率生成高分辨率的气候变化预测

    本文介绍 DeepSD 框架，一种利用超级分辨率图像处理技术进行气候统计降尺度的卷积神经网络模型，可以将原本粗糙的模拟数据提高预测的准确性和可靠性。作者使用 NASA 地球交换平台，将其应用于对超过 20 种不同情境下的全球气候变化进行计算。

    Mar, 2017