深度学习大气模型可靠模拟超样本范围内的陆地热浪与寒潮频率
大气与海洋物理
2025-10-28 v2 人工智能
机器学习
摘要
深度学习(DL)基于的广义循环模型(GCMs)正在作为快速模拟器，但其在训练范围之外模拟极端事件的能力尚未为人知。本文评估了两种此类模型——混合型神经广义循环模型(NGCM)和纯数据驱动的深度学习地球系统模型(DL\textit{ESy}M）——在模拟陆地热浪和寒潮方面与传统高分辨率陆地-大气模型(HiRAM)进行了比较。所有模型都以观测到的海表温度和海冰为强迫条件，覆盖 1900-2020 年，关注超样本早期 20 世纪时期(1900-1960)。两种 DL 模型成功地泛化到不可见的气候条件，广泛再现了 1900-1960 年期间热浪和寒潮频率及其空间模式，技能水平相当于 HiRAM。唯一的例外是北亚和北美的部分地区，在 1940-1960 年期间所有模型表现都很差。由于过度的温度自相关，DL\textit{ESy}M 倾向于高估热浪和寒潮频率，而物理-DL 混合型 NGCM 的持久性更类似于 HiRAM。
引用
@article{arxiv.2507.03176,
title = {Deep Learning Atmospheric Models Reliably Simulate Out-of-Sample Land Heat and Cold Wave Frequencies},
author = {Zilu Meng and Gregory J. Hakim and Wenchang Yang and Gabriel A. Vecchi},
journal= {arXiv preprint arXiv:2507.03176},
year = {2025}
}