评估深度学习在具有真实地理边界条件的气候模型中模拟云超参数化的潜力。
摘要：用前馈深度神经网络（DNNs）在真实地理环境中模拟云参数化的潜力，我们利用来自超参数化社区大气模型的离线数据进行拟合。通过正式优化超参数，我们确定了具有最大技能的网络结构，进行了约250次试验。我们的DNN在中至上部对流层的15分钟采样尺度上解释了超过70％的时间变化。与DNN技能相比的自相关时间尺度分析表明，热带海洋边界层较差的拟合是由于神经网络难以模拟对流中快速随机信号。然而，时间域上的频谱分析显示出对日变尺度到天气尺度上的信号的熟练模拟。对日循环的详细观察揭示了对陆海对比和加热和湿化场的垂直结构的正确模拟，但对降水有些扭曲。针对降水技能的敏感性测试显示了添加正约束和超参数调整的互补效果，这促使未来同时使用两者。首次尝试使用DNN模拟的大气场驱动离线陆地模型产生了令人放心的结果，进一步支持了神经网络在真实地理环境设置中的模拟可行性。总体而言，我们的技能拟合水平与最近使用复杂的残差和卷积神经网络架构在添加信息的情况下进行训练的尝试相媲美，包括过去状态的记忆。我们的结果证实了通过机器学习进行超参数化对流与大陆的参数化的可行性，并强调在空间和时间上进行局部化以实现精确模拟和快速实施混合气候模型的优势。
作者：Griffin Mooers, Mike Pritchard, Tom Beucler, Jordan Ott, Galen Yacalis, Pierre Baldi, Pierre Gentine
论文ID：2010.12996
分类：Atmospheric and Oceanic Physics
分类简称：physics.ao-ph
提交时间：2021-06-09