ClimART：用于天气与气候模型中大气辐射传输模拟的基准数据集
机器学习
2021-11-30 v1 大气与海洋物理
机器学习
摘要
地球天气与气候的数值模拟需要大量的计算。这导致人们越来越关注用推理时快速的近似机器学习（ML）方法替换显式计算物理过程的子程序。在天气和气候模型中，大气辐射传输（RT）计算尤其昂贵。这使得它们成为基于神经网络的模拟器的热门目标。然而，由于缺乏全面的数据集和标准的 ML 基准最佳实践，先前的工作难以比较。为填补这一空白，我们构建了一个大型数据集 ClimART，包含基于加拿大地球系统模型的来自当前、前工业时期和未来气候条件的超过 1000 万个样本。ClimART 为 ML 界提出了若干方法论挑战，例如多个分布外测试集、底层领域物理以及精度与推理速度之间的权衡。我们还提出了若干新颖的基线，指出了先前工作中所用数据集和网络架构的不足。下载说明、基线和代码可在 https://github.com/RolnickLab/climart 获取。
引用
@article{arxiv.2111.14671,
title = {ClimART: A Benchmark Dataset for Emulating Atmospheric Radiative Transfer in Weather and Climate Models},
author = {Salva Rühling Cachay and Venkatesh Ramesh and Jason N. S. Cole and Howard Barker and David Rolnick},
journal= {arXiv preprint arXiv:2111.14671},
year = {2021}
}