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
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
本篇文章研究如何使用神经网络对大气环流系统的参数进行建模,从而更精确地预测系统的状态。
Apr, 2019
通过使用 SMARL 和湍流物理的基本原理,仅使用几个高保真样本进行了训练,并针对大气和海洋湍流的原型学习了闭合模型,结果表明 SMARL 在 GCMs 的闭合建模方面具有高潜力,尤其是在数据稀缺和间接观测的情况下。
Dec, 2023
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
数据驱动的深度学习模型正在改变全球的天气预报,但能否成功应用于气候建模仍存在挑战。本文提出了首个能够生成准确且物理一致的全球气候集合模拟的条件生成模型。我们的模型每隔 6 小时进行一次时间步骤,并在 10 年的模拟中保持稳定。我们的方法超越了相关基准,并几乎达到了成功模拟气候模型的黄金标准。我们讨论了基于动力学信息扩散模型的关键设计选择,这为高效的数据驱动气候模拟迈出了重要一步,有助于更好地理解地球并适应不断变化的气候。
Jun, 2024
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。
本研究运用生成对抗网络(GANs)和计算机视觉技术,通过图像超分辨率和深度学习方法,针对低分辨率全球再分析数据,生成逼真的高分辨率地表风场,并探究了 GANs 不同配置与低分辨率协变量对风场结构偏差产生的影响。
Feb, 2023
使用机器学习的数据驱动方法来替代参数化方案,并结合随机化技术的大气模型的研究领域关键词。
Feb, 2024
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