面向通用环流模型中年际水同位素分子变率的学习型模拟
大气与海洋物理
2023-11-28 v1 机器学习
摘要
在气候模式中模拟稳定水同位素分子（即同位素组成不同的分子）的丰度，可与代用资料进行比较，从而检验关于过去气候的假设，并在不同气候条件下验证气候模式。然而，许多模式在运行中并未显式模拟水同位素分子。我们研究了利用机器学习方法替代基于显式物理的降水氧同位素组成模拟的可能性。这些方法根据给定的地表温度与降水量场，在每个时间步估算同位素组成。我们实现了基于成功 UNet 架构的卷积神经网络（CNN），并检验了球形网络架构是否优于将地球经纬度网格当作平面图像处理的朴素方法。以 iHadCM3 气候模式的千年最后一千年模拟为例进行案例研究，我们发现模拟结果在年际和月尺度上解释了同位素组成中约 40% 的时间方差，且模拟质量存在空间差异。针对平面图像的标准 UNet 架构的改进版本所得结果与球形 CNN 的预测效果相当。我们测试了对其他气候模式千年末模拟的泛化能力，发现尽管所测试的深度学习方法在 iHadCM3 数据上效果最佳，但在预测其他模式时性能下降，且与简单的逐像素线性回归相当。未来工作应探索扩充预测变量选择并提升所学气候—氧同位素关系的鲁棒性。
引用
@article{arxiv.2301.13462,
title = {Towards Learned Emulation of Interannual Water Isotopologue Variations in General Circulation Models},
author = {Jonathan Wider and Jakob Kruse and Nils Weitzel and Janica C. Bühler and Ullrich Köthe and Kira Rehfeld},
journal= {arXiv preprint arXiv:2301.13462},
year = {2023}
}