融合机器学习的混合大气模型的模型训练、数据同化与预报实验
混沌动力学
2025-09-29 v1 地球物理
应用统计
摘要
该混合模型将基于物理的原始方程模型SPEEDY与基于机器学习（ML）的模型组件相结合，同时ERA5再分析数据提供了假定的真实大气状态。为30年的机器学习训练期和一年的测试期生成了六小时一次的模拟噪声观测。这些观测通过局地集合变换卡尔曼滤波（LETKF）进行同化，并从测试期的每个集合平均分析场开始进行10天的确定性预报。在第一个实验中，基于物理的模型提供背景集合成员和10天确定性预报。在其他三个实验中，混合模型扮演与第一个实验中基于物理模型相同的角色，但每个实验的训练数据集不同。这些训练数据集分别是使用基于物理模型（第二个实验）、前一个实验的混合模型（第三个实验）以及作为对比的ERA5再分析数据（第四个实验）获得的分析场。实验结果表明，混合化模型可以显著提高分析和预报的准确性。当模型在ERA5再分析数据上训练时，分析场的偏差可以忽略不计，且分析误差中依赖流型的部分幅度大大降低。虽然在其他两个混合模型实验中，分析准确性的提升明显更为温和，但在这些实验中，经过1-3个预报日后，预报准确性的提升往往更大。然而，这些额外的预报准确性增益部分是通过预报空间变异性的适度逐渐降低实现的。
引用
@article{arxiv.2509.22465,
title = {Model Training, Data Assimilation, and Forecast Experiments with a Hybrid Atmospheric Model that Incorporates Machine Learning},
author = {Dylan Elliott and Troy Arcomano and Istvan Szunyogh and Brian R. Hunt},
journal= {arXiv preprint arXiv:2509.22465},
year = {2025}
}