气候变化下的南大洋动力学:基于物理引导的机器学习的新知识
季节性气候预测对于管理极端天气事件影响以及农业和能源等行业的规划具有重要的社会经济意义。本研究介绍了 Ocean-linked-atmosphere (Ola) 模型,这是一个高分辨率 (0.25°) 的人工智能 / 机器学习耦合地球系统模型,使用自回归 Spherical Fourier 神经算子架构分别对海洋和大气动力学进行建模,以实现季节尺度上快速、精确的大量集合预测。Ola 模型表现出了海洋 - 大气耦合动力学的学习特征,包括适当相速的热带海洋波,以及在海洋混合层内具有逼真的振幅、地理结构和垂直结构的内部产生的厄尔尼诺 / 南方振荡 (ENSO)。我们提供了预测 ENSO 的初步证据,与地球物理流体力学实验室的 SPEAR 模型相比具有良好的预测能力。
Jun, 2024
在本文中,我们使用先进的机器学习方法,包括序列模型(LSTM 和 Transformers)和关系模型(图神经网络),建立了一个在巴西东南海岸 Santos-Sao Vicente-Bertioga 海湾地区可以预测洋流速度和海面高度等环境变量的数据驱动模型,并将我们的结果与 Santos 操作预测系统进行了比较,证明了我们的模型可以在保持一定的灵活性和少量领域知识依赖性的同时实现更好的预测效果。
Jun, 2022
全球深度学习天气预测模型与物理模型的预测效果相媲美,但这些模型是否包含大气动力学仍不清楚,本文通过四个经典的动力学实验对 Pangu-weather 模型进行检验,发现模型在所有实验中都表现出现实的物理特性,因此认为它可以作为一种快速测试想法的工具而替代昂贵的物理模型。
Sep, 2023
机器学习在气候科学应用中变得普遍,本文提出了模拟大西洋经圈环流的方法,并使用神经网络预测不同气候情景下的极端气候。结果显示神经网络可以在多样的气候情景下预测大西洋经圈环流,并指出贝叶斯神经网络在非稳态情景中表现较差。研究还强调大型神经网络模型在全球地球系统动力学建模和非稳态气候情景中可能遇到困难。
Feb, 2024
通过基于神经网络的模拟器,本研究在未来的气候变化情景下,建立了海平面变化与地球重力、旋转和形变(GRD)效应之间的关联。通过采用机器学习模型输出的非线性回归后处理技术,我们推导出了对模拟的海平面变化的预测区间,并展示了神经网络模拟器在准确性和计算效率上的优势。
Jun, 2024
通过机器学习方法,我们预测大西洋经向翻转环流系统(AMOC)的潜在崩溃时间窗口在 2040 年至 2065 年之间,这是由于气候变化引起的北大西洋淡水输入的增加导致的,同时还开发了在嘈杂的动力系统中预测临界点的方法。
Feb, 2024
海洋动力学的准确和高效建模对于对复杂的海洋环流和过程的深入理解、预测气候变化及其相关的远程联系以及应对气候变化的挑战至关重要。本研究介绍了 ORCA(可靠海洋预测模型),这是首个能够在多年到十年时间尺度上预测全球海洋环流的数据驱动模型。ORCA 能够准确模拟全球海洋的三维环流和动力学,并具有高度的物理一致性。回顾性预测表明,ORCA 与最先进的数值海洋环流模型相比,在预测海洋变化和捕捉亚表层海洋和 ENSO 垂直模式的极端事件发生方面具有出色的预测能力。这些结果展示了数据驱动的海洋模型为提供廉价、高效和准确的全球海洋建模和预测的潜力。此外,ORCA 在十年时间尺度上稳定且忠实地模拟海洋动力学,展示了其在气候预测中的潜力。模型可在此 https 网址获取。
May, 2024
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
提出了一种混合人工智能气候建模方法,使用深度神经网络和数学方法相结合的方法进行气候目标仿真,通过神经符号语言实现可解释性。该方法能够在发现气候临界点方面提高精度,具有潜在的加速计算机不可行的快速气候临界点相关研究的能力。
Feb, 2023
南极冰盖和北极冰盖的大量流失导致海平面上升,海洋环流变化,从而导致沿海洪涝,并危及全球数千万人的家园和生计。为了解决冰川行为的复杂问题,文献中提出了物理模型和数据驱动模型。然而,传统的物理模型在产生高分辨率结果方面存在局限性;另一方面,数据驱动方法需要大量高质量且标记的数据,而这在极地地区很少见。因此,作为一种充分利用物理模型和数据驱动方法优势的有希望的框架,物理顺应机器学习(PIML)在近年来得到广泛研究。本文综述了现有的 PIML 算法,根据融合物理和数据驱动方法的方式提供了自己的分类,并分析了 PIML 在准确性和效率方面的优势。此外,我们的调研还讨论了一些当前的挑战和未来的机会,包括海冰研究中的 PIML、不同组合方法和骨干网络的 PIML 以及神经操作器方法。
Apr, 2024