解决多层卷积神经网络参数化近岸海域区域离样问题
地球物理
2024-11-05 v1
摘要
本研究针对来自前一研究（Zhang 等，2023）中识别的机器学习参数化模型中边界处的边界伪影问题进行了解决。我们专注于现有卷积神经网络 (CNN) 模型中的边界条件 (BC) 处理方式，旨在不开发新型复杂网络架构的前提下，缓解在复杂海岸线区域观察到的“离样”误差。我们的做法利用了两种用于在 CNN 模型中放置 BC 的既有策略，即零填充和复制填充。离线评估表明，这些填充策略通过限制权重随机初始化的依赖性并限制离样预测的范围，显著降低了海岸线区域的均方根误差 (RMSE)。进一步的在线评估表明，复制填充在各种重新训练的 CNN 模型中一致地减少了边界伪影。相比之下，零填充尽管两种策略在离线评估中表现相似，但在某些重新训练的模型中有时会加剧伪影。本研究强调，在预测海岸线附近的亚网格力的 ML 参数化中，对训练基于开放水域数据的 CNN 模型进行 BC 处理的必要性。特别是，复制填充提供了一种稳健的策略，用于最小化极端值传播可能导致计算模型受污染或仿真失败的范围。我们的发现为增强海岸线地区 ML 参数化在海洋循环模型在线实现中的准确性和稳定性提供了见解。
引用
@article{arxiv.2411.01138,
title = {Addressing out-of-sample issues in multi-layer convolutional neural-network parameterization of mesoscale eddies applied near coastlines},
author = {Cheng Zhang and Pavel Perezhogin and Alistair Adcroft and Laure Zanna},
journal= {arXiv preprint arXiv:2411.01138},
year = {2024}
}