用于更好泛化与外推的多保真度气候模式参数化
机器学习
2023-09-20 v1 动力系统
大气与海洋物理
计算物理
摘要
基于机器学习的全球气候模式或湍流模拟的参数化（即子网格过程的表示）近来被提出作为基于物理但经验性的表示的有力替代方案，具有更低的计算成本和更高的精度。然而，这些方法仍缺乏超越训练数据的泛化与外推能力，而这正是气候变迁或湍流未观测状态预测的关键。本文表明，集成不同精度与丰度的多保真度方法可兼得两者优势：利用基于物理的参数化实现外推能力，以及利用基于机器学习的参数化获得更高精度。在气候建模应用中，多保真度框架在不显著增加计算资源的情况下给出了更精确的气候预估。我们的多保真度随机先验网络（MF-RPNs）将物理参数化数据作为低保真度、将风暴解析历史运行数据作为高保真度。为外推至训练数据之外，MF-RPNs在+高保真度增暖情景数据上测试。我们展示了MF-RPN相比仅单一状态训练的低或高保真度（历史数据）模拟能给出更熟练的预测，同时在广泛情景下提供可信的不确定性量化。我们的方法为最优利用历史观测或高保真度模拟并外推至如气候变化等未见状态机器学习方法的使用铺平了道路。
引用
@article{arxiv.2309.10231,
title = {Multi-fidelity climate model parameterization for better generalization and extrapolation},
author = {Mohamed Aziz Bhouri and Liran Peng and Michael S. Pritchard and Pierre Gentine},
journal= {arXiv preprint arXiv:2309.10231},
year = {2023}
}
备注
27 pages, 16 figures