与传统的大数据集离线机器学习相比，在线训练产生的机器学习模型更准确、更稳定。
在地球系统模式(ESM)中整合大区域或全球的综合大气化学目前还不可行，这是因为集成高维化学过程会严重减慢模型模拟的速度。对计算成本较高的ESM组件进行机器学习(ML)模拟，可以通过使用更快的模拟器替代参考求解器来大幅降低模拟成本，但过去的工作发现，这些ML模型的误差增长迅速，导致模型随着时间的推移变得不稳定。
Kelp等人[2022]首次证明了神经网络ML求解器在全年模拟中稳定地模拟GEOS-Chem全球3-D模型中的对流层化学的能力，同时将速度提高了5倍。他们发现，与从模拟结果的静态数据集进行离线训练的典型ML方法相比，与GEOS-Chem模拟同步的ML求解器在线训练产生了更准确更稳定的结果。结果表明，即便没有深度的训练优化，在线训练也比离线学习获得了更高的准确性和稳定性，且无需进行大数据存储。
通过离线训练和在线训练的机器学习(ML)求解器模拟地面臭氧。左右面板分别显示了2017年7月的31天模拟结束时(7月31日24时UTC)相对于GEOS-Chem中的参考化学求解器的绝对误差和分数误差。
资料来源：Kelp等[2022]，图4
本研究提出的在线学习方法可以更广泛地应用于地球系统建模的其他领域，来模型复杂的过程，达到加速和增强稳定性的目的。
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, Journal of Advances in Modeling Earth Systems
原文链接：
https://eos.org/editor-highlights/accurate-and-fast-emulation-with-online-machine-learning
Text © 2022. AGU. CC BY-NC-ND 3.0
扫码访问原文
https://doi.org/10.1029/2021MS002926
Kelp, M. M., Jacob, D. J., Lin, H., & Sulprizio, M. P. (2022). An online-learned neural network chemical solver for stable long-term global simulations of atmospheric chemistry. Journal of Advances in Modeling Earth Systems, 14, e2021MS002926. https://doi.org/10.1029/2021MS002926
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。
