迁移学习能否用于识别与中纬度次季节可预报性相关的热带状态依赖偏差？
大气与海洋物理
2024-09-18 v1
摘要
先前的研究表明，气候系统的特定状态可以增强次季节可预报性（即状态依赖可预报性）。然而，地球系统模型中的偏差会影响这些状态及其后续演变的表征。在此，我们提出了一个机器学习框架来识别地球系统模型中的状态依赖偏差。具体而言，我们研究了利用可解释神经网络的迁移学习，来识别 Energy Exascale Earth System Model version 2 (E3SMv2) 历史模拟中与中纬度次季节可预报性相关的热带状态依赖偏差的效用。使用完美模型框架，我们发现迁移学习可能需要比当今再分析数据集所提供的多得多的数据来更新神经网络权重，这为未来专注于次季节变率模式的迁移学习方法提供了警示。
引用
@article{arxiv.2409.10755,
title = {Can Transfer Learning be Used to Identify Tropical State-Dependent Bias Relevant to Midlatitude Subseasonal Predictability?},
author = {Kirsten J. Mayer and Katherine Dagon and Maria J. Molina},
journal= {arXiv preprint arXiv:2409.10755},
year = {2024}
}
备注
This work has been submitted for publication in Artificial Intelligence for the Earth Systems (AIES). Copyright in this work may be transferred without further notice