Sep, 2023

气候模型中机器学习参数化的系统抽样和验证

PDF
TL;DR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。
hybrid physics-machine learningclimate simulationsonline modeling errorsmodel performanceparameterization design choices
发现论文，激发创造
  • 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

    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。

    Jun, 2018

  • 基于机器学习方法的高效气候模拟

    该论文提出了一种名为 NeuroClim 的框架，用于采用脑神经算法设计气候混合仿真，并为此提供了一个平台、一个数据集和一种量化的评估方法，以促进人工智能和气候研究的交叉。

    Aug, 2022

  • 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

  • 联合在线学习作为解决神经网络参数化中不稳定性和偏差的方法

    提出了耦合在线学习作为改善地球系统模型在子网格过程方面的表现的一种方法，详细阐述在 3D 云解析模型和超参数化框架中实现耦合在线学习的算法，并讨论尚未解决的问题。

    Jul, 2019

  • 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

  • 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

  • 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

  • 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

  • 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

  • 混合数值建模系统中深度学习子模型的在线校准

    通过引入新的建模能力，人工智能和深度学习正在重塑数字仿真框架，这些框架在模型校正和参数化方面表现出巨大潜力，并且通常优于传统物理模型。本文提出了一种高效实用的在线学习方法，名为 EGA（Euler 梯度逼近），用于混合系统，该方法通过假设对物理模型进行神经修正，并采用梯度的显式 Euler 逼近，克服了混合模型中的可微性难题，并证明在无限小时间步的极限下 EGA 收敛于精确梯度。数值实验结果显示，与离线学习相比，该方法在不同案例研究中，包括典型的海洋大气动力学中，有明显的改进，凸显了端到端在线学习对混合建模的潜力。

    Nov, 2023