面向地球系统建模的可微编程
机器学习
2023-06-05 v2 大气与海洋物理
摘要
地球系统模型（ESMs）是研究未来几十年至几百年尺度地球系统状态的主要工具，尤其是在响应人为温室气体释放方面。最先进的ESMs能够复现过去150年观测到的全球平均温度异常。然而，ESMs仍需进一步改进，最重要的是在以下方面：（i）其气候敏感性估计值（即对大气温室气体增加的温度响应）存在较大离散度；（ii）温度与降水等关键变量的模拟空间格局；（iii）对极端天气事件的表征；（iv）对多稳态地球系统组分及其预测相关突变能力的表征。在此，我们认为使ESMs可自动微分（automatically differentiable）在改进这些关键不足方面具有巨大潜力。首先，自动可微性将允许对ESMs进行客观标定，即针对大量自由参数依据代价函数选取最优值，而这些参数目前主要依赖人工调参。其次，机器学习（ML）的最新进展以及观测数据在数量、精度和分辨率上的提升，有望对上述至少某些方面有所帮助，因为ML可用于将观测中的额外信息纳入ESMs。自动可微性是构建此类混合模型（结合基于过程的ESMs与ML组件）的关键要素。我们记录了近期工作，展示了自动微分在新一代显著改进、数据驱动的ESMs中的潜力。
引用
@article{arxiv.2208.13825,
title = {Differentiable Programming for Earth System Modeling},
author = {Maximilian Gelbrecht and Alistair White and Sebastian Bathiany and Niklas Boers},
journal= {arXiv preprint arXiv:2208.13825},
year = {2023}
}
备注
17 pages, 2 figures