基于球面DYffusion的全球气候模型概率仿真
机器学习
2024-11-14 v2 人工智能
大气与海洋物理
机器学习
摘要
数据驱动的深度学习模型正在改变全球气候预报的格局。但要将这种成功扩展到气候建模领域仍是一个开放问题，因为数据复杂度高且长期推演带来显著挑战。本文首次提出了一种条件生成模型，能够产生准确且物理一致的全球气候集合仿真，通过仿真美国主要运行性全局预报模型（FV3GFS）的粗化版本。我们的模型将动力学导向扩散框架（DYffusion）与球面傅里叶神经算子（SFNO）架构相结合，实现了在保持较低计算开销的同时，对6小时时间步长的100年稳定仿真。该模型在气候模型仿真方面实现了接近金标准的性能，超越现有方法，展现出有前景的集合技能。这一工作标志着向高效数据驱动气候仿真迈出重要一步，有助于增进我们对气候系统的理解，并为适应策略提供决策支持。
引用
@article{arxiv.2406.14798,
title = {Probabilistic Emulation of a Global Climate Model with Spherical DYffusion},
author = {Salva Rühling Cachay and Brian Henn and Oliver Watt-Meyer and Christopher S. Bretherton and Rose Yu},
journal= {arXiv preprint arXiv:2406.14798},
year = {2024}
}
备注
NeurIPS 2024; Code is available at https://github.com/Rose-STL-Lab/spherical-dyffusion