通过时序粗粒化实现大气模型中水平数值平流的加速
大气与海洋物理
2026-05-13 v1 机器学习
摘要
通过机器学习的代理模型可加速地球科学模型，但现有方法要么实现的加速有限，要么在空间分辨率上牺牲了与被训练模拟模型的分辨率。我们开发了一种机器学习求解器，通过时序粗粒化技术在不牺牲空间分辨率的情况下加速平流仿真，其中模型被训练能够执行超过Courant-Friedrichs-Lewy (CFL)条件所要求的更大积分步长。我们的求解器框架包括一个卷积神经网络，作为输入接受浓度和CFL数，输出质量通量。我们的求解器以r²值范围为0.60--0.98的10天地面水平平流仿真进行训练，时序粗粒化因子为基准积分时间步长的4至32倍。随着粗粒化因子的增加，加速速度提升而准确性下降，以r² = 0.24的准确性损失对应每10倍的速度提升，最高可达92倍加速，同时保持r² = 0.60。我们刻意只使用1月的地面风数据训练求解器，以检验其在季节和垂直高度上的泛化能力。4倍粗粒化的学习求解器成功地在72个垂直层级上再现了仿真。8倍至16倍粗粒化的求解器（但非32倍）能够模拟大多数垂直层级。所得求解器也在季节间表现良好，仅在6月和10月出现不稳定现象。通过额外的微调，这些学习求解器可能适用于操作中以牺牲准确性来换取速度的场景，如筛选工具、ensemble仿真或数据同化。
引用
@article{arxiv.2605.10956,
title = {Acceleration of horizontal numerical advection for atmospheric modeling through surrogate modeling with temporal coarse-graining},
author = {Manho Park and Christopher V. Rackauckas and Christopher W. Tessum},
journal= {arXiv preprint arXiv:2605.10956},
year = {2026}
}