机构名称：
¥ 1.0
摘要：在不同投影场景下，气候模拟的时空分辨率的复杂性产生了多种气候模式。本文通过一种无监督的深度学习技术提出了一种新的数据驱动的气候分类工作，该技术可以在尺寸上降低大量时空数值气候投影数据中的大量紧凑表示。我们旨在确定捕获多个气候变量的不同区域以及在不同气候变化方案下的未来变化。我们的方法利用卷积自动编码器与K-均值聚类（标准自动编码器）和在线聚类相结合，基于sindhorn - Knopp算法（群集自动编码器），整个Conterminous美国（CONUS）（CONUS）（CONUS）捕获来自数据驱动的气候型号的独特气候式的goldement offeration Androm intery Demplyicals todlement todlement todlemant througation dynerical offer -Gromys toym intery dynerical demancortial dynerical ofderational dynerical officolt offer。 （GFDL-ESM2G）。开发的方法在多个变暖方案下以0.125 8的0.125 8将70年的GFDL-ESM2G仿真压缩为较低维空间的空间分辨率为660000倍，然后在150年的GFDL-ESM2G仿真数据中测试了150年。结果表明，五个气候群体捕获了与人类专家定义的已知气候类别相匹配的物理合理和空间稳定的气候效果。结果还表明，与使用标准自动编码器相比，使用群集自动编码器可以将聚类的计算时间限制为9.2倍。我们五个独特的气候模式是由深度学习引起的 - 基于较低维空间的聚类，从而使我们能够在整个综合美国立即提供有关水力气学及其空间异质性的见解，而无需下载大量的大气候数据集。
使用聚类自动编码器技术识别气候模式
主要关键词
相关文件推荐
