利用机器学习改进大气模型

大气模型必须表示跨越多个数量级的空间尺度上的过程。虽然像雷暴和湍流这样的小尺度过程对大气至关重要，但由于计算成本，大多数全球模型不能显式地解决它们。在传统模型中，这些过程的影响的启发式估计，也称为参数化，由专家设计。最近的一项研究使用机器学习直接从需要较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]提供了一种神经网络参数化大气中动量垂直输运的亚网格过程影响的首个例子。采用了谨慎的方法来生成训练数据集，考虑了高分辨率模型的水平网格中的细微问题。新的参数化通常可以改进粗略分辨率模型中的风的模拟，但在一个配置中也会进行过度校正并导致更大的偏差。该研究为对机器学习用于参数化应用感兴趣的研究人员提供了完整而清晰的示例。