区域气候模式预估中深度学习模拟器的可迁移性与可解释性：未来应用展望
大气与海洋物理
2023-11-08 v1 机器学习
摘要
区域气候模式（RCMs）是模拟和研究区域气候变率与变化的重要工具。然而，其高昂的计算成本限制了生成覆盖多情景、多驱动全球气候模式（GCMs）的综合性区域气候预估集合。基于深度学习模型的RCM模拟器近年来作为一种经济高效且前景广阔的替代方案被提出，其仅需短时RCM模拟即可训练模型。因此，评估其向不同时段、情景和GCMs的迁移能力成为一项关键且复杂的任务，其中GCMs与RCMs固有的偏差起着重要作用。本文通过考虑文献中提出的两种不同模拟方法（PP和MOS，采用本文引入的术语）来聚焦该问题。除标准评估技术外，我们借助可解释人工智能（XAI）领域的方法拓展分析，以评估模型所学经验关联的物理一致性。我们发现两种方法均能对RCMs在不同时段和情景下的某些气候学属性进行模拟（软迁移性），但模拟函数的物理一致性在方法间存在差异。PP学到稳健且具物理意义的模式，而MOS结果依赖于GCM且在某些情况下缺乏物理一致性。由于存在依赖于GCM的偏差（硬迁移性），两种方法在将模拟函数迁移至其他GCMs时均面临问题。这限制了其用于构建区域气候预估集合的适用性。最后我们给出了未来应用的一些展望。
引用
@article{arxiv.2311.03378,
title = {Transferability and explainability of deep learning emulators for regional climate model projections: Perspectives for future applications},
author = {Jorge Bano-Medina and Maialen Iturbide and Jesus Fernandez and Jose Manuel Gutierrez},
journal= {arXiv preprint arXiv:2311.03378},
year = {2023}
}
备注
Submitted to Artificial Intelligence for the Earth Systems