发表于JAMES上的一项研究通过在粗粒度高分辨率大气模拟上的训练，首次构建了亚网格动量传输的神经网络参数化。
大气模式必须在跨越多个数量级的空间尺度上表示不同的大气过程。尽管雷暴和湍流等小尺度模过程对大气至关重要，但由于计算量大，大部分全球模式无法明确解决这些问题。在传统模型中，对这些过程的影响的启发式估计，即参数化，是由专家设计的。最近的一系列研究利用机器学习直接从需要更少假设的高分辨率模拟中创建数据驱动的参数化。
Yuval和O'Gorman[2023]首次提供了一个将亚网格过程对大气中动量垂直传输的影响进行神经网络参数化的例子。作者采用一种谨慎的方法来生成训练数据集，并考虑了高分辨率模型的水平网格中的细微问题。新的参数化整体上改善了粗分辨率模型中的风模拟，但也会过度校正并导致某一配置中产生较大偏差。该研究为有兴趣将机器学习应用于参数化的研究人员提供了一个完整而清晰的示例。
由亚网格尺度过程引起的纬向动量的时间和纬向平均垂直输送，显示了对流和重力波等过程对纬向风的平均影响。资料来源：Yuval和O 'Gorman[2023]，图1(a-c)
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：
Oliver Watt-Meyer, Associate Editor, JAMES
原文链接：
https://eos.org/editor-highlights/new-machine-learning-parameterization-tested-on-atmospheric-model
论文原文
扫码访问原文
https://doi.org/10.1029/2023MS003606
关于期刊
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： 6.660
5年影响因子： 5.836
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 (JAMES)期刊网站，阅读更多精彩内容。
-----广告赞助商-----
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。
★ 获取ERA5-Land陆面高分辨率再分析数据(32TB)
★ 1942-2022年中国地面气象站观测数据免费分享
★ 获取全球GPM降水数据，半小时/逐日(4TB)
★ 获取1998-2019 TRMM 3B42逐日降水数据
★ 获取最新版本CMIP6降尺度数据集30TB
★ 获取ERA5常用变量再分析数据26TB
★ EC数据商店推出Python在线处理工具箱
★ EC打造实用气象Python工具Metview
★ 机器学习简介及在短临天气预警中的应用
★ Nature-地球系统科学领域的深度学习及理解
★ 采用神经网络与深度学习来预报降水、温度等
★ 灵魂拷问：ChatGPT对气象人的饭碗是福是祸？
★ 气象局是做啥的？气象局的薪水多少？
★ 一位气象学家尝试ChatGPT复现Nature子刊的研究，他真的会面临失业吗？！
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
