Maschinelles Lernen verbessert Prognose der Windgeschwindigkeit

Atmosphärische Modelle müssen Prozesse auf räumlichen Skalen darstellen, die viele Größenordnungen umfassen. Kleinskalige Prozesse wie Gewitter und Turbulenzen sind zwar kritisch für die Atmosphäre, können aber aufgrund des hohen Rechenaufwands in den meisten globalen Modellen nicht explizit aufgelöst werden. In herkömmlichen Modellen werden heuristische Schätzungen der Wirkung dieser Prozesse, sogenannte Parametrisierungen, von Experten entworfen. Eine neue Forschungsrichtung nutzt maschinelles Lernen, um datengesteuerte Parametrisierungen direkt aus hochauflösenden Simulationen zu erstellen, die weniger Annahmen erfordern. Yuval und O'Gorman [2023] geben das erste Beispiel für eine neuronale Netzwerkparametrisierung der Auswirkungen von Kleinskalenprozessen auf den vertikalen Transport von Impulsen in der Atmosphäre. Ein sorgfältiger Ansatz wird gewählt, um ein Trainingsdatensatz zu generieren, der subtile Probleme im horizontalen Gitter des hochauflösenden Modells berücksichtigt. Die neue Parametrisierung verbessert in der Regel die Simulation der Winde in einem grobkörnigen Modell, führt aber auch zu größeren Verzerrungen in einer Konfiguration. Die Studie dient als vollständiges und klares Beispiel für Forscher, die sich für die Anwendung von maschinellem Lernen für Parametrisierungen interessieren.