利用神经网络实现稳定、准确且物理一致的次网格大气过程参数化及其在降低精度下的良好表现
大气与海洋物理
2021-04-07 v3
摘要
改进气候模式模拟的一个有前景的途径，是用数据驱动的机器学习算法替代基于简化物理模式的传统次网格参数化。然而，神经网络(NNs)在与大气模式耦合时常常导致不稳定与气候漂移。本文通过对高分辨率大气模拟进行粗粒化建模方程与输出，在理想化域内从该类模拟中学习 NN 参数化。该 NN 参数化具有确保物理约束被满足的结构，并能产生稳定模拟，以与成功的随机森林参数化相近的精度复现高分辨率模拟的气候，同时所需内存远少。我们发现模拟对于多种 NN 架构与水平分辨率均稳定，且大幅降低数值精度的 NN 可在不影响模拟质量的前提下减少计算成本。
引用
@article{arxiv.2010.09947,
title = {Use of neural networks for stable, accurate and physically consistent parameterization of subgrid atmospheric processes with good performance at reduced precision},
author = {Janni Yuval and Paul A. O'Gorman and Chris N. Hill},
journal= {arXiv preprint arXiv:2010.09947},
year = {2021}
}
备注
23 pages, 6 figures (2 figures in main file)