利用机器学习参数化湿对流:在气候、气候变化及极端事件建模中的潜力
大气与海洋物理
2018-11-30 v2
摘要
湿对流的参数化导致了气候建模和数值天气预报中的不确定性。机器学习(ML)可用于直接从高分辨率模式输出中学习新的参数化,但此类参数化在通用环流模式(GCM)中完全耦合时的行为如何,以及它们是否对气候变化或极端事件的模拟有用,仍知之甚少。在此,我们使用理想化测试聚焦于这些问题,其中基于 ML 的参数化在常规参数化输出上训练,并在 GCM 模拟中评估其性能。我们使用决策树集成(随机森林)作为 ML 算法,其优势在于自动确保能量守恒和地面降水非负。带有 ML 对流参数化的 GCM 稳定运行,并准确捕捉包括降水极端值在内的重要气候统计量,而无需对极端事件进行专门训练。如果 ML 参数化仅在控制气候上训练,则无法捕捉控制气候与暖气候之间的气候变化,但若训练包含两种气候的样本则可捕捉。值得注意的是,仅在对暖气候训练时也能捕捉气候变化,这是因为暖气候的副热带为控制气候的热带提供了训练样本。除可能对气候模拟有用外,我们表明 ML 参数化可被探究以提供对流与大尺度环境相互作用的诊断。
引用
@article{arxiv.1806.11037,
title = {Using machine learning to parameterize moist convection: potential for modeling of climate, climate change and extreme events},
author = {Paul A. O'Gorman and John G. Dwyer},
journal= {arXiv preprint arXiv:1806.11037},
year = {2018}
}
备注
Paper submitted to Journal of Advances in Modeling Earth Systems (second revision with minor changes)