构建低维海洋模型的数据驱动方法比较
摘要：线性回归、随机和深度学习方法的相互比较，以降低海洋环流的统计模拟为目标，通过理想化、涡动解析、双旋涡海洋环流模型提供参考数据集。我们的目标是对三类方法论模型的技能、成本和复杂性进行系统全面的评估和比较。基于线性回归的模型被视为基准线。此外，我们研究了它的加性白噪声增强和多层随机方法，深度学习方法，混合框架（线性回归加深度学习）以及深度学习和混合方法的简单随机扩展。考虑的评估指标有：均方根误差、异常交叉相关、气候学、方差、频率图、预测时间、计算成本。我们发现，多层线性随机方法在短时和长时尺度预测中表现最好。加性状态相关白噪声增强的深度学习混合模型排第二，而其确定性对应物未能在气候范围预测中重现特征频率。纯深度学习实施效果不如线性回归及其噪声增强。线性回归及其白噪声扩展在短时间尺度上的技能相似，但后者在长时间尺度上表现更好，而仅有线性回归的输出在长时间模拟中衰减为零。总的来说，我们的分析推广了具有记忆效应的多层线性回归随机模型，以及由深度学习学习的线性动力核心加性随机项增强的混合模型，作为比纯深度学习解决方案更实用、准确、经济高效的海洋模拟选项。
作者：Niraj Agarwal, Dmitri Kondrashov, Peter Dueben, Evgenii Ryzhov and Pavel Berloff
论文ID：2108.00818
分类：Atmospheric and Oceanic Physics
分类简称：physics.ao-ph
提交时间：2021-10-04