通过机器学习校正，高效的粗网格全球大气模型可以更好地追踪昂贵的精细网格“数字孪生”参考模型的天气和平均时间降水。
网格间距为1 - 5公里的新一代全球大气模型可以准确模拟极端天气，如雷暴系统产生的局部暴雨和复杂山脉间的气流。它们还可以帮助我们更好地规划未来气候变化的局部影响，但其计算量过大，无法用于数十年或数百年的模拟。
Bretherton等人[2022]提出了一种机器学习方法来校正粗网格气候模型，使得我们可以利用来自细网格气候模型的短参考模拟输出来运行粗网格气候模型。这一校正使得粗网格模型可以更紧密地追踪来自参考模拟的天气预报和时间平均降雨模式。
上图展示了采用200公里粗网格的全球大气模型的三种配置进行40天模拟的时间平均降水模式的误差。误差的测量参照一个使用3公里全球网格的类似模型的40天 “真实”模拟。RMSE为模式误差的全局平均值。通过对模型的物理参数进行机器学习校正，可将“基线”模型(面板a)的误差减少30%。这两种机器学习校正分别使用随机森林(b)和神经网络(c)方法，在3公里模拟输出上进行训练。面板(d)显示机器学习校正也改善了陆地和海洋之间的降水分配。
资料来源：Bretherton等[2022]，图11
以上内容英文原文发表于AGU Eos Editors' Highlights，中文翻译仅供参考。
点评编辑：
Jiwen Fan, Editor, JAMES
原文链接：
https://eos.org/editor-highlights/corrective-machine-learning-for-improving-climate-models
Text © 2022. AGU. CC BY-NC-ND 3.0
https://doi.org/10.1029/2021MS002794
Journal of Advances in Modeling Earth Systems (JAMES) 是一本金色开放获取期刊，发表有助于了解地球物理系统，及其与生物、地质和化学系统结合的各种尺度的模型的开发与应用的研究论文。
研究论文可以是纯技术方面的，如有助于建模的新的或改进的算法或新数据集；也可以是综合性的，如新的建模或模拟系统的集成；或是概念性的，如为建模或分析制定标准的新框架和新构想。
2020年影响因子： 6.660
5年影响因子： 5.836
从投稿到一审意见的中位数时间：63天
点击下方“阅读原文”访问JAMES (Journal of Advances in Modelling Earth Systems)期刊网站，阅读更多精彩内容。
