随机参数化的机器学习
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
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
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。
Feb, 2020
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
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
该研究论文介绍了一种利用机器学习方法来在山区进行天气预测的方法,使用当前观测数据和周围平原预测数据进行插值,以间接地结合数值模拟和机器学习。同时还探讨了在降水预测中使用二元交叉熵的方法。
Aug, 2023
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
应对气候变化需要准确的本地气候信息,最近的研究使用生成对抗网络 (GANs) 这种深度学习方法,以高效地学习复杂分布和缩放气候变量。为了估计不确定性和表征极端事件的关键信息,捕捉缩放过程中的变异性至关重要。因为缩放是一个不确定问题,许多细致的状态在物理上与粗粒度状态一致。为了量化这个状态不明确的问题,缩放技术应该是随机的,并能够在低精度输入条件下从高精度分布中采样。我们提出了三种改进 GANs 随机校准的方法:a)在网络内部注入噪声,b)调整训练过程以明确考虑随机性,c)使用概率损失度量。我们首先在具有已知分布特性的合成数据集上测试了我们的模型,然后在实际缩放场景中进行了测试,从低分辨率气候协变量预测高分辨率风场分量。仅仅注入噪声即大大改善了在合成数据测试中的条件和完整分布的质量,但对风场缩放表现不佳,在这种情况下模型仍然缺乏离散度。对于风场缩放,我们发现调整训练方法并增加概率损失可以改善校准。最佳模型通过三种改变在捕捉高精度分布的完整变异性方面显示出了显著提升的技能,从而更好地描述极端情况。
May, 2024