从数据同化增量中深度学习系统海冰模型误差
摘要：使用卷积神经网络（CNN）将模型状态变量映射为分析增量，以展示一种数据驱动的模型参数化的可行性，可以预测状态相关的模型误差。我们在冰海数据同化系统中进行了这个问题的研究，该系统是在地球流体动力学实验室开发的Seamless system for Prediction and EArth system Research（SPEAR）模型中，该模型每5天同化一次1982年至2017年的海冰浓度的卫星观测数据。然后，CNN使用数据同化预报状态和趋势作为输入，预测相应的海冰浓度增量。具体而言，输入包括海冰浓度、海表温度、冰速、冰厚度、净短波辐射、冰面皮温、海表盐度以及陆地海洋蒙版的状态和趋势。我们发现，CNN能够在北极和南极以及所有季节中都能够精确预测增量，并且其技巧始终优于气候学增量预测。这表明，CNN可以用于减小自由运行的SPEAR模拟中的海冰偏差，可以作为海冰参数化或数值海冰预报的在线偏差修正工具。
作者：William Gregory, Mitchell Bushuk, Alistair Adcroft, Yongfei Zhang, Laure Zanna
论文ID：2304.03832
分类：Atmospheric and Oceanic Physics
分类简称：physics.ao-ph
提交时间：2023-04-11