用于加速化学传输建模的学习型一维被动标量平流：以 GEOS-FP 水平风场为例

我们开发并应用了一种机器学习得到的离散化方法，用于一维（1-D）水平被动标量平流，这是所有化学传输模型（CTMs）共有的算子组件。我们的学习型平流格式类似于二阶精度、三模板数值求解器，但与传统求解器的不同之处在于，每个方程项的系数由神经网络输出，而非理论推导的常数。我们对高分辨率模拟结果进行降采样——从而得到最大 16$\times$ 的网格尺寸和 64$\times$ 的时间步长——并训练基于神经网络的格式以匹配降采样后的积分数据。通过这种方式，我们创建了一个低分辨率（时间或空间上）但能复现高分辨率传统求解器行为的算子。我们的模型在复现其训练数据集（单次 10 天一维模拟）时表现出高保真度，并且在具有未见初始条件、风场和网格间距的模拟中同样准确。在许多情况下，我们的学习型求解器比低分辨率版本的参考求解器更准确，但低分辨率参考求解器相比高分辨率模拟实现了更大的计算加速（500$\times$ 加速），而学习型求解器只能实现（18$\times$ 加速）。令人惊讶的是，我们的学习型一维格式——当与分裂技术结合时——可用于预测二维平流，并且在某些情况下比二维低分辨率参考求解器更稳定、更准确。总体而言，我们的结果表明，与简单地以低分辨率运行传统积分器相比，学习型平流算子可能提供一种更高精度的加速 CTM 模拟的方法。