基于神经网络的大气输运建模

准确描述大气中 CO$_2$ 的分布对于温室气体监测和验证支持系统以实施国际气候协议至关重要。大型深度神经网络有望彻底改变天气预报，这需要对大气进行三维建模。虽然在这方面类似，但大气输运建模面临新的挑战。需要同时实现更长时间范围内的稳定预测和整个过程中的质量守恒，而 IO 相对于计算成本起着更大的作用。在本研究中，我们探索了四种不同的深度神经网络（UNet、GraphCast、球面傅里叶神经算子和 SwinTransformer），这些网络已被证明在天气预报中达到最先进水平，以评估它们在大气示踪输运建模中的适用性。为此，我们构建了 CarbonBench 数据集，这是一个为欧拉大气输运的机器学习模拟器量身定制的系统性基准。通过架构调整，我们将模拟器的性能与由大气 CO$_2$ 上升引起的分布偏移解耦。具体来说，我们将 CO$_2$ 输入场中心化为零均值，并使用显式通量方案和质量修正器来确保质量守恒。这种设计使得四种神经网络架构都能实现超过 6 个月的稳定且质量守恒的输运。在我们的研究中，SwinTransformer 表现出特别强的模拟能力（90 天 $R^2 > 0.99$），即使在前向运行多年时也能产生物理上合理的模拟结果。这项工作为使用神经网络进行惰性示踪气体的高分辨率正演和反演建模铺平了道路。