机构名称：
¥ 2.0
摘要内部可变性与起伏有关，该波动源自气候成分固有的过程及其相互作用。另一方面，强迫变异性描述了外部边界条件对物理气候系统的影响。一种方法是为了区分表面空气温度内的内部和强制变异性。使用噪声到数字的方法用于训练神经网络，在内部变异性和图像噪声之间进行类比。使用从1901年到2020年的表面空气温度数据编制了大型训练数据集，该数据是从大气 - 海洋通用循环模型模拟的合奏中获得的。用于培训的神经网络是U -NET，这是一个主要用于图像分割的广泛采用的卷积网络。为了评估性能，从两个单模型初始条件大合奏，集合平均值和U -NET的预测进行比较。U -NET在区域尺度上观察到了显着的差异，但UNET将内部变异性降低了四倍。在证明了厄尔尼诺南部振荡的有效过滤时，U -NET遇到了捕捉北大西洋变化的挑战。这种方法具有扩展到其他物理变量的潜力，从而促进了对长期外部强迫触发的气候变化的见解。
使用U-NET
主要关键词
相关文件推荐
