面向大气动力学的表示学习

在人为强迫下对未来气候情景的预测对于理解气候变化和评估潜在抵消技术的影响至关重要。用于该预测的机器学习与混合技术依赖于对相关问题敏感但常微妙影响的信息化度量。对于气候系统的关键部分——大气动力学，目前不存在公认的度量，实践中仍常使用视觉检查。然而，这种“肉眼度量”无法用于需要算法描述的机器学习。受中间神经网络激活作为学习度量基础（如计算机视觉中）成功的启发，我们提出了一种专为大气动力学设计的新型自监督表示学习方法。我们的方法称为 AtmoDist，在一个简单的辅助任务上训练神经网络：预测随机打乱的大气场序列（例如再分析或模拟中风场的各分量）中元素之间的时间距离。该任务迫使网络在其各层激活中学习数据的重要内在方面，并由此可获得判别性度量。我们通过使用 AtmoDist 为基于 GAN 的涡度与散度超分辨率定义度量来展示这一点。我们上采样的数据在视觉上及其统计上与高分辨率参考高度吻合，并且显著优于基于均方误差的最优方法。由于 AtmoDist 是无监督的，仅需场的时间序列，并使用简单辅助任务，它有望在广泛应用中有用。