评估深度学习在真实地理边界条件下模拟气候模式中云超参数化的潜力

我们利用来自超参数化社区大气模式的数据离线拟合，探索前馈深度神经网络（DNNs）在真实地理下模拟云超参数化的潜力。为确定技能最高的网络架构，我们使用约250次试验正式优化超参数。我们的DNN解释了中上层对流层在15分钟采样尺度上超过70%的时间方差。与DNN技能对比的自相关时间尺度分析表明，热带海洋边界层拟合较差源于神经网络难以模拟对流中快速随机信号。然而，时域谱分析表明对日至天气尺度信号的成功模拟。细看日循环揭示了对加热与增湿场中陆海对比和垂直结构的正确模拟，但降水有一定失真。针对降水技能的敏感性测试揭示添加正约束与超参数调优的互补效应，促使未来二者并用。首次尝试用DNN模拟大气场强迫离线陆面模式得到令人鼓舞的结果，进一步支持神经网络在真实地理环境中的模拟可行性。总体而言，拟合技能可与近期利用含过去状态等附加信息训练的复杂残差与卷积神经网络架构的尝试相竞争。我们的结果确认了带大陆的超参数化对流可通过机器学习参数化，并强调在空间与时间上局部化此问题对精确模拟及有望快速实现混合气候模式的优势。