原创 OliverWatt-Meyer AGU美国地球物理学会 

发表于JAMES上的一项研究通过在粗粒度高分辨率大气模拟上的训练，首次构建了亚网格动量传输的神经网络参数化。

大气模式必须在跨越多个数量级的空间尺度上表示不同的大气过程。尽管雷暴和湍流等小尺度模过程对大气至关重要，但由于计算量大，大部分全球模式无法明确解决这些问题。在传统模型中，对这些过程的影响的启发式估计，即参数化，是由专家设计的。最近的一系列研究利用机器学习直接从需要更少假设的高分辨率模拟中创建数据驱动的参数化。

Yuval和O'Gorman[2023]首次提供了一个将亚网格过程对大气中动量垂直传输的影响进行神经网络参数化的例子。作者采用一种谨慎的方法来生成训练数据集，并考虑了高分辨率模型的水平网格中的细微问题。新的参数化整体上改善了粗分辨率模型中的风模拟，但也会过度校正并导致某一配置中产生较大偏差。该研究为有兴趣将机器学习应用于参数化的研究人员提供了一个完整而清晰的示例。

由亚网格尺度过程引起的纬向动量的时间和纬向平均垂直输送，显示了对流和重力波等过程对纬向风的平均影响。资料来源：Yuval和O 'Gorman[2023]，图1(a-c)

以上内容英文原文发表于AGU Eos Editor's Highlights，中文翻译仅供参考。

点评编辑：

Oliver Watt-Meyer, Associate Editor, JAMES

原文链接：

https://eos.org/editor-highlights/new-machine-learning-parameterization-tested-on-atmospheric-model

Text © 2023. The Authors. CC BY-NC-ND 3.0

论文原文

扫码访问原文

https://doi.org/10.1029/2023MS003606