面向地球物理湍流的观测约束随机数据驱动模型的长期稳定性与泛化能力
机器学习
2022-05-11 v1 混沌动力学
大气与海洋物理
流体动力学
地球物理
摘要
近年来，基于深度学习构建完全数据驱动的天气预测模型引起了广泛关注。此类深度学习模型若基于观测数据训练，可缓解当前最先进天气模型中的某些偏差，其中部分偏差源于对次网格尺度过程的不准确表征。然而，这些数据驱动模型由于过度参数化，需要大量训练数据，而再分析（观测数据）产品可能无法提供如此多的数据。此外，在真实场景中，用于启动数据驱动天气模型预报的准确、无噪声初始条件并不可得。最后，确定性数据驱动预报模型存在长期稳定性不足与非物理气候漂移问题，这使得这些数据驱动模型不适用于计算气候统计量。鉴于这些挑战，先前研究尝试在大量不完美的长期气候模式模拟上预训练基于深度学习的天气预报模型，然后在可用的观测数据上重新训练。本文提出一种基于卷积变分自编码器的随机数据驱动模型，该模型在来自两层准地转流的缺陷气候模式模拟上预训练，并通过迁移学习在来自完美模拟的少量含噪观测上重新训练。该重训练模型随后以从完美模拟中采样的含噪初始条件进行随机预报。我们表明，基于集合的随机数据驱动模型在短期技巧方面优于基线确定性编码器-解码器卷积模型，同时在长期气候模拟中保持稳定并给出准确的气候态。
引用
@article{arxiv.2205.04601,
title = {Long-term stability and generalization of observationally-constrained stochastic data-driven models for geophysical turbulence},
author = {Ashesh Chattopadhyay and Jaideep Pathak and Ebrahim Nabizadeh and Wahid Bhimji and Pedram Hassanzadeh},
journal= {arXiv preprint arXiv:2205.04601},
year = {2022}
}