利用神经网络学习自然变异引起的喷气流强迫响应
摘要：对抗人类气候变化的两个明显特征，即热带对流层上层的升温和北极表面的升温，对中纬度喷流的纬向位置有着相互竞争的影响，通常被称为“拔河”。研究对这些热力强迫的喷流响应表明，它对模型类型、季节、初始大气条件以及强迫的形状和大小都很敏感。过去的研究大部分集中在研究模拟对外界操纵的响应。相反，我们探索了仅利用内部变异性训练卷积神经网络（CNN）的潜力，然后用它来考察喷流对更接近人为气候变化的对流层热力驱动的可能非线性响应。我们的方法利用了波动耗散定理的思想，该定理将系统的内部变异性与其受迫响应联系起来，但目前只用于量化线性响应。我们在CESM干燥动力核心的长期控制运行数据上训练了一个CNN，并且展示出它能够熟练地预测喷流对持续外部强迫的非线性响应。训练好的CNN为探索喷流对各种对流层温度趋势的敏感性提供了一种快速方法，并且考虑到这种方法可能适用于具有长期控制运行的任何模型，它可能在早期实验设计中发挥有用的作用。
作者：Charlotte Connolly, Elizabeth A. Barnes, Pedram Hassanzadeh, Mike Pritchard
论文ID：2301.00496
分类：Atmospheric and Oceanic Physics
分类简称：physics.ao-ph
提交时间：2023-01-03