基于 GAN 随机云次列生成器的云及其辐射场评估
大气与海洋物理
2026-05-14 v2 机器学习
摘要
现代地球系统模型（ESMs）在水平尺度上远大于典型云特征，要求使用随机次列生成器来表示次网格水平和垂直云的变异性。传统基于物理的生成器通常依赖分析云重叠范例，如指数-随机衰减，可能难以捕捉非连续云层的复杂、反相关行为。在本研究中，我们引入一种新型两阶段机器学习次列生成器用于 GEOS 大气模型，采用条件变分自编码器与生成对抗网络（CVAE-GAN）以及 U-Net 架构。训练于合并 CloudSat-CALIPSO 高度分辨云光学深度数据集，ML 生成器创建 56 个随机次列，代表云发生与光学深度轮廓。相对于 established R"{a}is"{a}nen，ML 方法准确复现双峰云重叠分布，显著减少网格平均统计的偏差，并将 ISCCP 风格云顶压力和光学厚度联合直方图的均方根误差缩小一半。所带来的改进翻译为更准确的离线辐射传递计算，将全球平均短波太空辐射云效应偏差缩小三倍。只要该生成器能够在 CPU 上加速，这为减少云-辐射界面结构性误差提供了实用路径。
引用
@article{arxiv.2605.11968,
title = {Assessment of cloud and associated radiation fields from a GAN stochastic cloud subcolumn generator},
author = {Dongmin Lee and Lazaros Oreopoulos and Nayeong Cho and Daeho Jin},
journal= {arXiv preprint arXiv:2605.11968},
year = {2026}
}