基于神经网络海洋闭合式的校准：提高均值态与变动性
大气与海洋物理
2026-05-19 v2 机器学习
计算物理
摘要
全球海洋模型在均值态和变动性方面存在偏差，尤其是在粗糙分辨率下，由于不可解析的中尺度涡旋。为解决这些偏差，通常采用 ad hoc 方法调整参数化系数。本文将参数调优建模为校准问题，使用 Ensemble Kalman Inversion（EKI）进行求解。我们在两个理想化海洋模型的粗糙分辨率下，对神经网络参数化的中尺度涡旋进行校准。经校准的参数化在时间平均流体界面及其变动性上将错误降低 1.7-3.3 倍，具体取决于度量标准和配置。EKI 方法对源自海洋动力学混沌性质的时间平均统计量噪声鲁棒性良好。此外，我们提出一种高效校准方案，绕过积分至统计平衡，通过精心选择初始条件实现。这些结果表明，系统性校准可显著改善粗糙分辨率海洋模拟，为减少全球海洋模型的偏差提供了可行的路径。
引用
@article{arxiv.2604.06398,
title = {Calibration of a neural network ocean closure for improved mean state and variability},
author = {Pavel Perezhogin and Alistair Adcroft and Laure Zanna},
journal= {arXiv preprint arXiv:2604.06398},
year = {2026}
}