关于地转中尺度湍流机器学习训练数据选择的探讨
大气与海洋物理
2023-07-04 v1 机器学习
流体动力学
摘要
“数据”在数据驱动方法中扮演核心角色，但在将机器学习算法应用于地球系统建模相关问题的研究中，数据本身却常不是关注焦点。本文考虑旋转分层湍流中存在侧向边界时的涡-平均流相互作用问题，该问题与海洋建模相关，其中涡通量包含动态上惰性的旋转分量，预期会污染学习过程。文献中常用的选择是从涡通量的散度进行学习。本文提供理论论证和数值证据：从适当滤除旋转分量的涡通量进行学习，可得到技能相当或更好但鲁棒性显著改善的模型。如果我们仅想要数据驱动模型具备预测技能，那么数据选择和/或质量或许并不关键；但我们认为，若想借助数据驱动方法辅助发现数据本身中未知或隐藏的物理过程，这便是高度可取甚至必要的。
引用
@article{arxiv.2307.00734,
title = {On the choice of training data for machine learning of geostrophic mesoscale turbulence},
author = {F. E. Yan and J. Mak and Y. Wang},
journal= {arXiv preprint arXiv:2307.00734},
year = {2023}
}
备注
23 pages, 8 figures