参数化神经网络的可解释离线-在线训练：小数据体制下的 1D 重力波-QBO 试验平台
大气与海洋物理
2024-07-17 v1 计算物理
数据分析、统计与概率
摘要
训练神经网络（NNs）作为亚网格尺度参数化存在不同策略。此处，我们使用准 biennial 振荡（QBO）和重力波（GW）参数化的一维模型作为试验平台。一个预测给定风廓线下 GW 强迫的 12 层卷积 NN，在大数据体制（100 年）下离线训练后，一旦耦合到一维模型便可产生逼真的 QBO。相比之下，该 NN 在小数据体制（18 个月）下离线训练得到不真实的 QBO。然而，仅使用集合卡尔曼反演并仅利用时间平均 QBO 统计量对该 NN 的两层进行在线再训练，可得到产生真实 QBO 的参数化。对这三个 NN 核的傅里叶分析揭示了再训练为何及如何生效，并表明这些 NN 主要学习低通、高通及带通滤波器的组合，与 GW 传播/耗散中局地和非局地动力学的重要性一致。这些发现/策略普遍适用于其他气候过程的数据驱动参数化。
引用
@article{arxiv.2309.09024,
title = {Explainable Offline-Online Training of Neural Networks for Parameterizations: A 1D Gravity Wave-QBO Testbed in the Small-data Regime},
author = {Hamid A. Pahlavan and Pedram Hassanzadeh and M. Joan Alexander},
journal= {arXiv preprint arXiv:2309.09024},
year = {2024}
}