基于在约束数据集上训练的机器学习校正算子的粗尺度气候模拟极端事件统计
大气与海洋物理
2023-04-06 v1 数据分析、统计与概率
摘要
本工作提出了一个系统框架，用于改进湍流系统统计量的预测，重点在于校正由粗尺度模式获得的气候模拟。尽管高分辨率模拟或再分析数据可用，但它们不能直接用作训练数据集来机器学习校正粗尺度气候模式输出，因为气候动力学中固有的混沌发散使得不同分辨率的数据集不兼容。为克服这一根本限制，我们采用向高质量气候实况（此处为ERA5再分析数据）约束的粗分辨率模式模拟。约束项足够小，不会在短时间尺度上污染粗尺度动力学，但也足够大，能在较大时间尺度上将粗尺度模拟保持在ERA5轨迹附近。其结果是一组兼容的ERA5轨迹与弱约束粗分辨率E3SM输出对，用作机器学习校正算子的输入训练数据。训练完成后，我们进行无约束的自由运行粗尺度E3SM模拟，并将其作为输入送入机器学习校正算子以获得高质量（校正后）输出。该模型应用于大气气候数据，旨在预测十年时间段内各种量的全局与局地统计。使用未用于训练的数据集，我们证明由ML校正的粗尺度E3SM模式生成的数据集具有与观测高度相似的统计特性。此外，给出了热带气旋与大气河等极端事件发生频率的校正粗尺度E3SM输出。我们给出了详尽的比较并讨论了该方法的局限性。
引用
@article{arxiv.2304.02117,
title = {Statistics of extreme events in coarse-scale climate simulations via machine learning correction operators trained on nudged datasets},
author = {Alexis-Tzianni Charalampopoulos and Shixuan Zhang and Bryce Harrop and Lai-yung Ruby Leung and Themistoklis Sapsis},
journal= {arXiv preprint arXiv:2304.02117},
year = {2023}
}