面向3D时序大气输送的空间细化的分阶段深度学习方法
机器学习
2024-12-19 v2 大气与海洋物理
摘要
高分辨率的时空模拟有效捕捉大气 plume 扩散在复杂地形中的复杂性，但其高计算成本使得在需要快速响应或迭代过程的应用中（如优化、不确定性量化或逆向建模）难以实用。为此，本工作引入了Dual-Stage Temporal Three-dimensional UNet Super-resolution（DST3D-UNet-SR）模型，这是一个高效的深度学习模型，用于 plume 扩散预测。DST3D-UNet-SR由两个顺序模块组成：时序模块（TM），用于从低分辨率时序数据预测 plume 在复杂地形中的瞬时演化；空间细化模块（SRM），随后用于提升TM预测的空间分辨率。我们使用来自高分辨率大涡动模拟（LES）的 plume 输送综合数据集训练DST3DUNet-SR。我们提出的DST3D-UNet-SR模型可将三维 plume 扩散的LES模拟加快三个数量级。此外，该模型通过纳入新的观测数据，能够动态适应不断演变的条件，在源头附近的高浓度区域显著提高预测精度。
关键词
引用
@article{arxiv.2412.10945,
title = {A Staged Deep Learning Approach to Spatial Refinement in 3D Temporal Atmospheric Transport},
author = {M. Giselle Fernández-Godino and Wai Tong Chung and Akshay A. Gowardhan and Matthias Ihme and Qingkai Kong and Donald D. Lucas and Stephen C. Myers},
journal= {arXiv preprint arXiv:2412.10945},
year = {2024}
}
备注
12 pages, 10 figures