用于开发ENSO多样性随机概念模型的物理信息自学习框架
动力系统
2024-02-08 v1 大气与海洋物理
摘要
在过去几十年中，对ENSO动力学的理解有了极大的提高。然而，概念模型中仍然有一个方面在空间模式、峰值强度和时间演变上对ENSO多样性理解不足或表征不佳。在本文中，开发了一个物理信息自学习框架，用于推导具有不同自由度的ENSO随机概念模型。该框架计算效率高且易于应用。一旦设定了目标模型的状态向量，就利用因果推断基于数学函数库构建方程的右端项。与标准非线性回归根本不同的是，自学习框架通过仅保留能改善与观测动力学一致性的项来提供简约模型。它还能识别关键的潜变量并提供物理解释。利用一个基于真实六维参考再充电振荡器的ENSO模型，使用自学习框架推导出了从三维到六维的模型层级，并通过一套评估ENSO多样性的动力学和统计特征的统一验证标准进行了系统验证。结果表明，表征ENSO多样性的最小模型是四维的，包含三个描述西太平洋温跃层深度、东太平洋和中太平洋海表温度（SSTs）的年际变量，以及一个用于西风事件的季节内变量。如果没有季节内变量，所得的三维模型会低估极端事件且过于规律。模型中数量有限的弱非线性对于再现观测到的极端厄尔尼诺现象以及东、西太平洋SSTs之间的非线性关系至关重要。
引用
@article{arxiv.2402.04585,
title = {A Physics-Informed Auto-Learning Framework for Developing Stochastic Conceptual Models for ENSO Diversity},
author = {Yinling Zhang and Nan Chen and Jerome Vialard and Xianghui Fang},
journal= {arXiv preprint arXiv:2402.04585},
year = {2024}
}