Nov, 2023

用于估计海洋模型参数敏感性的替代神经网络

PDF
TL;DR建模对理解温室气体、全球变暖和冰盖融化对海洋的影响至关重要。神经网络模型精确预测了理想化海洋模型的一步前向动力学，并计算了参数敏感性。
modelinggreenhouse gasesocean processesneural network modelsparametric sensitivity
发现论文，激发创造
  • GNN-Surrogate: 用于探索非结构化网格海洋模拟参数空间的分层自适应图神经网络

    我们提出了基于图神经网络的代理模型 GNN-Surrogate 来探索海洋气候模拟的参数空间，其可以准确高效地预测模拟结果并帮助科学家通过用户指定的可视化映射探索模拟参数空间。

    Feb, 2022

  • 利用轻量级神经网络集成进行海冰浓度的代理建模

    基于深度学习模型对特定水域海冰浓度的空间分布进行长期预测，实验结果表明相较于资源密集型的物理模型，该方法在某些时段具有相当甚至更优的预测效果。与 Kara Sea 的基于物理模型的预测系统 SEAS5 相比，我们实现了 20% 的改进。

    Dec, 2023

  • 利用不确定性的机器学习模拟南极冰盖引起的区域海平面变化

    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

  • 动态图神经网络建模海洋变量

    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

  • 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

  • 基于物理知识增强的深度神经网络预测海表面温度

    本文介绍了一种将历史观测数据中的物理知识转移至数值模型的方法，使用编码器和生成对抗网络的组合来捕捉观测数据中的物理知识，并将数值模型数据馈入预训练模型以生成物理增强数据进行 SST 预测，实验结果表明，该方法在 SST 预测性能方面相比几种最先进的基线方法有了明显的提升。

    Apr, 2023

  • 恢复 Lorenz-96 混沌动力学的参数

    通过三种深度网络算法客观地、基于数据地来推断参数，以此恢复 Lorenz-96 等非线性动力系统的周期行为，从而解决全球气候模型中云和对流等过程的表示问题。

    Jun, 2019

  • 基于深度学习的代理模型在动态地下流问题中的数据同化

    开发了基于深度学习的代理模型，用于预测渠道化地质模型中的动态地下水流。它通过深度卷积和递归神经网络结构来支持，特别是使用了长短时记忆循环网络。使用深度代理模型可以减少预测的不确定性，提高模型速度，可能在未来应用更正式的后验采样方法来解决现实问题。

    Aug, 2019

  • 走向 Sobolev 训练

    利用灵敏度信息在学习和修剪过程中建立替代模型的新方法，以解决模型尺寸减小带来的敏感性和不确定性变化的问题，并以定量金融为案例研究进行实证验证。

    Dec, 2023

  • 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