機械学習が大気モデルの精度を向上させる

大気モデルには多数の空間スケールのプロセスが含まれています。しかし、雷雨や乱流などの小規模なプロセスは、計算上の問題から、ほとんどのグローバルモデルでは明示的に表現されていません。そのため、従来のモデルでは、エキスパートによるパラメータ化を使用してこれらのプロセスの効果を見積もっていました。しかし、最近では、仮定を減らすために、機械学習を使用して、非常に高分解能のシミュレーションから直接データ駆動型パラメータ化を作成する研究が進んでいます。 YuvalとO’Gorman[2023]は、大気中の亜格子スケールプロセスの運動量輸送の影響に関するニューラルネットワークパラメータ化の最初の例を提供しています。高分解能モデルの水平グリッドの微妙な問題に対処するために、慎重なアプローチが取られ、トレーニングデータセットが生成されました。新しいパラメータ化は、一般に粗い解像度モデルの風のシミュレーションを改善しますが、ある構成では過剰に修正されて大きなバイアスを引き起こします。この研究は、パラメータ化のための機械学習の応用に興味を持つ研究者にとって完全で明確な例となっています。