非线性降维与变分编码解码器在气候模型中理解对流过程
摘要：深度学习可以准确地表示气候模型中的次网格尺度对流过程，通过学习高分辨率模拟。然而，深度学习方法通常由于内部维度的增加而缺乏可解释性，导致这些方法的可信度降低。在本研究中，我们使用变分编码器解码器结构（VED），这是一种非线性维度降低技术，来学习和理解一个超参数化气候模型模拟中的对流过程，其中深对流过程被显式模拟。我们展示了，类似于基于前馈神经网络的以往深度学习研究，VED能够学习并准确地再现对流过程。与以往的工作相比，我们展示了通过将原始信息压缩为只有五个潜在节点来实现这一点。因此，VED可以用于理解对流过程，并通过探索其潜在维度来描述对流模式。对潜在空间的密切调查使得可以鉴定出不同的对流区域：a）稳定条件与低外向长波辐射和强降水的深对流明显区分开来；b）高光学薄的积云类似云与低光学厚的积云区分开来；c）浅对流过程与大尺度湿度含量和地表显热加热有关。我们的结果表明，VED可以准确地表示气候模型中的对流过程，同时实现可解释性，并更好地理解次网格尺度物理过程，为具有有前景的生成性能的可解释机器学习参数化铺平道路。
作者：Gunnar Behrens, Tom Beucler, Pierre Gentine, Fernando Iglesias-Suarez, Michael Pritchard, Veronika Eyring
论文ID：2204.08708
分类：Atmospheric and Oceanic Physics
分类简称：physics.ao-ph
提交时间：2022-09-07