Статья о том, как использование машинного обучения может помочь в создании параметризаций для атмосферных моделей.
Воздушные модели должны представлять процессы на пространственных масштабах, охватывающих множество порядков величин. Хотя мелкомасштабные процессы, такие как грозы и турбулентность, критичны для атмосферы, большинство глобальных моделей не могут явно выделить их из-за вычислительных затрат. В обычных моделях параметризации, оценивающие эффект этих процессов, которые известны как параметризации, разрабатываются экспертами. В последнее время появилась линия исследований, использующая машинное обучение для создания данных, основанных на параметризации, непосредственно из очень высокоразрешенных симуляций, которые требуют меньше предположений.
Yuval и O’Gorman [2023] дают первый пример параметризации нейронной сети эффектов субсеточных процессов на вертикальный транспорт импульса в атмосфере. Удачный подход используется для создания обучающего набора данных, учитывая тонкие вопросы в горизонтальной сетке модели высокого разрешения. Новая параметризация в целом улучшает имитацию ветра в модели грубого разрешения, но также приводит к более крупным погрешностям в одной конфигурации. Исследование служит полным и ясным примером для исследователей, заинтересованных в применении машинного обучения для параметризации.
