机构名称：
¥ 2.0
摘要机器学习（ML）基于基于地球系统模型（ESM）的参数化，其目标是更好地表示子网格尺度过程或加速计算。杂种ESM中的基于ML的参数化已从短高分辨率模拟中成功地学习了亚网格尺度过程。但是，大多数研究都使用特定的ML方法来参数化基因趋势或通量，该趋势源自主要是理想化的设置或超级参数的各种小规模过程（例如，辐射，对流，重力波）的复合效应（例如，辐射，对流，重力波）。在这里，我们使用过滤技术将对流与这些过程在逼真的环境中使用二十面体非静液压建模框架（ICON）明确分开，并在逼真的环境中对彼此之间的各种ML算法进行基准测试。我们发现，在表现出最佳的离线性能的同时，一条未能的U型NET学习了对流降水与亚网格通量之间的反向因果关系。尽管我们能够将U -NET的学习关系与物理过程联系起来，但对于非深度学习的梯度增强了树是不可能的。然后将ML算法在线耦合到主机图标模型。我们最好的在线性能模型，一种消融的U型NET，不包括沉淀示踪剂物种，表明与传统方案相比，与高分辨率模拟相比，模拟降水极端的一致性和平均值具有更高的一致性。但是，在水蒸气路径和平均沉淀中都引入了平滑偏置。我们的结果暗示了可能通过混合ESM显着减少系统错误的潜力。在线，与未驱动的U -NET相比，融合的U -NET显着提高了稳定性，并且在整个模拟期内运行稳定。
可解释的多尺度机器学习基于图标的对流参数
主要关键词
相关文件推荐
