SuperdropNet:稳定而准确的用于基于液滴的云微物理的机器学习代理
本文介绍了一种基于物理学的深度学习方法,用于处理点云数据,通过介绍欧拉-拉格朗日表示法,能够自然地演化和累积粒子功能,实现各种点云分类和分割问题的高效解决,所以本文将几何机器学习和物理模拟结合起来。
Feb, 2020
ClimSim是迄今为止最大的融合混合ML和气候物理学的数据集,由一组气候科学家和ML研究人员开发,其设计思想是为了使结果仿真器与下游耦合到运行气候仿真器兼容。
Jun, 2023
智能冰云感知(SMICES)通过先进的雷达技术和机器学习算法,针对冰暴进行智能定位,其中主要利用雷达测得的数据与前瞻辐射计收集的信息。通过引入数字化大气孪生(WRF)模型和多步骤的机器学习方法,我们成功构建了对冰云进行准确分类的分类器,同时证明了其对仪器噪声的鲁棒性。
Sep, 2023
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。
Sep, 2023
通过利用Variational Autoencoders (VAEs)的紧凑潜在表示,我们可以对雾滴尺寸的组织和随时间的演变进行新颖而直观的可视化,从而提高解释能力并通过对比不同气溶胶浓度的模拟来研究气溶胶-云的相互作用。我们发现,雾滴谱的演变在不同气溶胶水平上是相似的,但发生的速度不同,这表明降水启动过程尽管存在变化,但相似度较高。
Oct, 2023
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
本研究针对大气科学中机器学习(ML)模型附加价值解释的难题,提出通过全层次的帕累托最优模型来指导模型开发。研究表明,使用帕累托前沿可以有效提升对模型复杂性的理解并改进模型性能,尤其在云覆盖参数化、短波辐射传递模拟和热带降水建模中均表现出显著的潜在影响。
Aug, 2024
本研究针对深度学习模型在公里尺度的大气模拟中的不足,提出了一种名为StormCast的生成扩散模型,能够有效仿真NOAA的高分辨率快速刷新模型。实验结果显示,该模型在1-6小时的雷达反射率预报中表现出竞争力,并成功捕捉对流簇演化和其他关键气象特征,为区域气候预测与极端天气动态降尺度开辟了新的前景。
Aug, 2024