使用机器学习来表示天气和气候模型中的子网格过程很有前景,同时也面临着挑战。如能结合物理知识,会有所帮助。
人们正在越来越多地探索使用机器学习来表示子网格过程,以减少大尺度模型的不确定性和计算成本。为了找到最佳方法,Ukkonen[2022]评估了使用机器学习来模拟辐射方案的不同方法。
辐射与其他一些子网格过程的不同之处在于它易于理解,但其计算成本促使人们尝试用神经网络替换整个辐射代码。以往对于模拟辐射以及其他子网格物理的研究传统上采用相关变量的垂直剖面并将它们连接成密集神经网络的一个长输入或输出向量。在这种方法中,输入和输出的数量以及垂直分辨率必须是固定的。相比之下,循环神经网络 (RNN) 可用于逐层依次遍历大气柱。当应用于短波辐射时,一种基于双向 RNN 的方法(其结构受到物理辐射传输方程的启发)与使用更多参数的密集网络相比,将精度提高了一个数量级。如果 RNN 被证明对其他过程有效,那么较小的维度可能对于将机器学习的参数化进行一般化至关重要。
将机器学习用于辐射的另一种方法是保留辐射传输方程,但用神经网络取代气体光学,这是辐射方案中更受数据驱动的一个部分。这种方法不会牺牲精度,但仍然提供了有意义的加速。
作者的研究提供了一个清晰的例子,说明了如何将机器学习与物理建模和领域知识相结合,改进对子网格过程的预测。
基于未用于训练的一年全球再分析数据计算出的短波下行通量(左栏)、上行通量(中栏)和从通量计算出的升温率(右列)的误差垂直剖面。图中给出了三种不同仿真方法的结果:用(a)密集(前馈)神经网络或(b)双向循环神经网络替换辐射方案,或(c)用神经网络代替气体光学。实线和虚线分别表示平均误差和平均绝对误差,而阴影区域表示差异的第5和第95个百分位数。对于NN-RadScheme (a),大气顶部(0.01 Pa)的平均升温速率误差达到3.5 K*day-1左右 (x轴已裁剪)。
图片来源:Ukkonen[2022],图6 (a, b, d)
以上内容英文原文发表于AGU Eos Editor's Highlights,中文翻译仅供参考。
点评编辑:
Jiwen Fan, Editor, Journal of Advances in Modeling Earth Systems
原文链接:
https://eos.org/editor-highlights/machine-learning-emulation-of-atmospheric-radiative-transfer
Text © 2022. AGU. CC BY-NC-ND 3.0
扫码访问原文
https://doi.org/10.1029/2021MS002875
Ukkonen, P. (2022). Exploring pathways to more accurate machine learning emulation of atmospheric radiative transfer. Journal of Advances in Modeling Earth Systems , 14, e2021MS002875. https://doi.org/10.1029/2021MS002875
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。
2021年影响因子: 8.469
5年影响因子: 7.008
从投稿到一审意见的中位数时间:71天
点击下方“阅读原文”访问Journal of Advances in Modeling Earth Systems 期刊网站,阅读更多精彩内容。
声明: 欢迎转载、转发本号原创内容,可留言区留言或者后台联系小编( 微信:gavin7675 )进行授权。气象学家公众号转载信息旨在传播交流,其内容由作者负责,不代表本号观点。文中部分图片来源于网络,如涉及作品内容、版权和其他问题,请后台联系小编处理。
欢迎加入气象学家交流群
请备注:
姓名/昵称-单位/学校-研究方向
❤️ 「气象学家 」 点赞