使用神经网络对亚网大气过程进行稳定、准确和物理一致的参数化，并在降低精度时具有良好性能
摘要：基于高分辨率模拟，使用神经网络参数化取代基于简化物理模型的传统子区域参数化方法，在改善气候模式模拟方面具有潜力。然而，神经网络常常在与大气模型耦合时产生不稳定性和气候漂移。本研究通过对模型方程和输出进行粗粒化，在理想化领域中从高分辨率大气模拟中学习了一个神经网络参数化。该神经网络参数化具有能够确保物理约束得到遵守的结构，并能够实现稳定的模拟，其准确度与一个成功的随机森林参数化方法相似，但所需内存远远较少。我们发现，这些模拟结果在各种神经网络结构和水平分辨率下均保持稳定，并且可以减少数值精度而降低计算成本而不影响模拟质量。
作者：Janni Yuval, Paul A. O'Gorman and Chris N. Hill
论文ID：2010.09947
分类：Atmospheric and Oceanic Physics
分类简称：physics.ao-ph
提交时间：2021-04-07