Jun, 2024

机器学习地球系统模型中的耦合海洋 - 大气动力学

PDF
TL;DR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。
seasonal climate forecastsocean-atmosphere systemartificial intelligencemachine learningenso
发现论文，激发创造
  • 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

  • 使用深度学习鉴定 ENSO 预测的初始误差敏感性

    通过深度学习和模型类比预测的混合方法，我们在仓库模拟的相似初始气候状态中生成预测，利用卷积神经网络估计状态相关权重以识别类比状态，从而提供深入洞察初始误差敏感区域和系统的物理演变。我们的方法在季节至年度时间尺度上通过使用 Community Earth System Model Version 2 Large Ensemble 预测 El Niño-Southern Oscillation (ENSO) 来评估；结果显示与传统的模型类比技术相比，在赤道太平洋上预测的海表温度异常在 9-12 个月的领先时期有 10% 的改进。此外，我们的混合模型在评估重分析数据集时还展示了对于温度和降水的寒冬和春季初始化的改进。我们的基于深度学习的方法揭示了与各种季节变化的物理过程相关的状态依赖敏感性，包括太平洋纬向模式、赤道补给振荡器和随机风强迫。值得注意的是，El Niño 和 La Niña 事件的敏感性存在差异。我们发现赤道太平洋上的海表温度在 El Niño 的预测中起更重要的作用，而在 La Niña 的预测中，该地区的纬向风应力具有更大的意义。这种方法对于预测各种气候现象，包括区域的温度和降水，具有广泛的影响，并且对于传统的模型类比预测方法具有挑战性。

    Apr, 2024

  • 基于深度学习的气候模型驱动季节预测方法

    本文介绍了一种基于深度学习模型（UNet++），利用 ERA5 重分析数据集和全球 CMIP6 模型进行训练和验证，以预测未来一个月的全球温度，发现该模型可以显著地提高预测准确度。

    Feb, 2023

  • 应用人工智能协助科学家发现气候翻转点

    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

  • 利用机器学习进行次季气候预测：挑战、分析与进展

    通过研究不同的机器学习方法，包括梯度提升和深度学习等，对美国本土的次季气候预测（SSF）进行了研究，发现通过精细构建特征表示方法，即使是简单的线性回归模型，如 Lasso，都可以取得良好的表现。期望通过研究特征的重要性，实现对气候和土地等协变量预测的进一步改善。

    Jun, 2020

  • 深度学习在气候应用中的架构选择的重要性

    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

  • AI-GOMS：大规模人工智能驱动的全球海洋建模系统

    AI-GOMS 是一个采用 AI 驱动的全球海洋模拟系统，通过基于傅里叶变换的 Masked Autoencoder 结构和轻量级微调模型，实现了全球海洋的准确和高效的每日预测，提供了一种新的地球系统模型的骨干 - 下游范例，使系统具有可传输性、可扩展性和可重用性。

    Aug, 2023

  • 神经广义环流模型

    通过将不同的大气动力学求解器与机器学习组件相结合，我们展示了首个能够生成确定性天气、集合天气和气候预测的 GCM 模型 NeuralGCM，其预测能力与最佳的机器学习和基于物理的方法相当，同时在天气和气候方面，我们的方法相对于传统 GCMs 有数量级的计算节省，并能够增强对地球系统的理解和预测所必需的大规模物理模拟。

    Nov, 2023

  • 深度神经算子模型在海洋预测中的评估

    深度学习模型框架在预测时间序列数据方面具有潜在应用，尤其是在大气和海洋领域。本研究探讨了利用深度神经操作模型对经典流体流动和真实海洋动力学进行重现和预测的可能性，并证实了这些模型对理想化周期性涡流脱落和真实海洋表面流动的一些特征的预测能力。

    Aug, 2023

  • ACE：一种快速、熟练的用于气候预测的全球大气模型

    现有的基于机器学习的大气模型不适用于气候预测，我们提出了 ACE（AI2 Climate Emulator），一个 200M 参数的自回归机器学习模拟器，用于现有的包含 100km 分辨率全球大气模型。ACE 的构建允许评估质量和水分守恒等物理规律。该模拟器在 10 年内保持稳定，几乎在没有明确限制的情况下保持了纵向水分的守恒，并忠实地再现了参考模型的气候，相对于一个具有挑战性的基准模型，在超过 80% 的跟踪变量上表现更佳。ACE 所需的墙钟时间几乎比参考模型少 100 倍，并且使用常见资源效率更高 100 倍。

    Oct, 2023