用于全球海冰-海洋模拟中在线海冰偏差修正的机器学习方法
大气与海洋物理
2024-02-01 v1
摘要
在本研究中，我们在 GFDL 全球海冰-海洋模型中执行在线海冰偏差修正。为此，我们使用了一个卷积神经网络（CNN），该网络在先前研究（Gregory 等人，2023）中开发，用于预测海冰浓度（SIC）数据同化（DA）增量。CNN 的初始实现显示出相对于自由运行模型在 SIC 偏差上的系统性改善，但夏季的大误差仍然存在。我们表明，这些残差误差可通过数据增强方法显著改善，该方法在训练期内对新的模拟依次应用 CNN 和 DA 修正。这随后提供了一个新的训练数据集，用于细化初始网络的权重。我们提出，这种机器学习修正方案可用于生成改进的初始条件，以及用于季节内至次季节海冰预报中的实时海冰偏差修正。
引用
@article{arxiv.2310.02488,
title = {Machine learning for online sea ice bias correction within global ice-ocean simulations},
author = {William Gregory and Mitchell Bushuk and Yongfei Zhang and Alistair Adcroft and Laure Zanna},
journal= {arXiv preprint arXiv:2310.02488},
year = {2024}
}