用神经网络对大气次网格过程进行非局域参数化
摘要：全球气候模型中的亚网格过程是通过参数化表示的，这是模拟气候中的不确定性的主要来源。近年来，有人提出基于高分辨率模型输出数据的机器学习（ML）参数化可能优于传统参数化。目前，大气中亚网格过程的传统和ML参数化都是基于单列方法，只使用来自单个大气柱的信息。然而，单列参数化可能不理想，因为某些大气现象，如有组织的对流系统，可以跨越多个网格箱并涉及不完全垂直的斜向环流。在这里，我们使用跨越3 $ imes $ 3输入列的非本地输入训练神经网络（NN）。我们发现，包括非本地输入改善了一系列亚网格过程的离线预测。对于亚网格动量输运和与中纬度锋面和对流不稳定性相关的大气条件，改善尤为显著。使用诠释方法，我们发现NN改进部分依赖于使用水平风散度，并且我们进一步显示，包括散度或垂直速度作为单独的输入显着改善了离线性能。然而，即使包括垂直速度作为输入，在参数化亚网格动量输运时，非本地风仍然是有用的输入。总体而言，我们的结果表明，使用非本地变量和垂直速度作为输入可以提高ML参数化的性能，对这些输入的使用应在未来的在线模拟中进行测试。
作者：Peidong Wang, Janni Yuval, Paul A. O'Gorman
论文ID：2201.00417
分类：Atmospheric and Oceanic Physics
分类简称：physics.ao-ph
提交时间：2022-12-27