基于循环神经网络的湿润对流大气可解释仿真

数据驱动的对流参数化旨在以计算经济的方式准确表示对流对大尺度强迫的调整。虽然已有研究表明使用 various model architectures 取得了成功，但在 developing physically interpretable models 以及评估 generalizability and confidence level 方面仍面临挑战。本研究开发了一种循环神经网络，用于预测湿润对流气团对大尺度强迫的温度、湿度和降水时间序列。该循环单元由线性组件和用于非线性组件的多层神经网络组成。线性组件在问题的线性极限下被识别为一个不随时间变化的状态空间模型。模型在训练于有限域云解析模型仿真数据的 ensemble 上，能够在长期仿真中表现出稳定且真实的性能，无论是针对预设的大尺度强迫，还是与二维引力波耦合。我们进一步计算了耦合仿真的扰动线性响应，揭示了对流耦合引力波系统的物理可解释、状态依赖性质。