![]( "undefined")
第一时间获取气象科研资讯
『气象学家』公众号交流群
加入
『气象学家』公众号交流群
JAMES | CEMC实现了机器学习算法在中层大气环流数值模拟中的融合应用
近日，中国气象局地球系统数值预报中心（CEMC）路屹雄研究员等在国际知名学术期刊Journal of Advances in Modeling Earth Systems上，发表了题为《Machine Learning Emulation of Subgrid-Scale Orographic Gravity Wave Drag in a General Circulation Model with Middle Atmosphere Extension》的研究论文。该研究实现了人工智能算法在全球中层大气环流数值模拟中的融合应用，并成功进行了长期稳定积分，合理再现了对流层-平流层-中间层大气的气候态垂直结构，以及平流层极涡演变的动力过程。合作者包括南京大学大气科学学院徐昕教授和中国科学院大气物理研究所王林研究员。
要点
Parameterized gravity wave drag from unresolved orography can be emulated with a random forest
The random forest emulator simulates vertical distributions of the zonal wind and air temperature quite well in a general circulation model (GCM)
The GCM configured with the random forest scheme reproduces a reasonable breakdown of the austral polar vortex in the stratosphere
理论驱动和数据驱动这两种不同的科学范式具有互补性，传统数学物理模型和人工智能模型的深度结合是地球系统模式发展的前沿方向。其中，基于机器学习的次网格物理过程方案是新型地球系统模式的关键技术。
重力波是对流层-平流层-中间层-热层大气层间耦合的重要过程，在全球大气环流模式中通常对其进行参数化处理。欧洲中期天气预报中心（ECMWF）已开发出非地形重力波参数化的机器学习方案，但研制地形重力波参数化的机器学习方案仍然存在挑战。这项研究为地形重力波拖曳（OGWD）参数化方案训练了一个随机森林（RF）仿真器（见下图1），并应用于高顶大气环流模式以检验其对平流层气候态和变率模拟的影响。离线测试中，RF给出的OGWD与目标方案非常吻合（见下图2）。在线耦合高顶大气环流模式后，利用RF可以模拟出合理的纬向风和温度的气候态垂直结构，以及南半球平流层极地涡旋的演进过程。这项研究证明了基于机器学习的OGWD在中层大气建模应用中的可行性。未来可利用重力波可分辨模式输出的高分辨率数据训练机器学习模型，以克服当前重力波参数化普遍存在的缺陷。
图1 随机森林训练示意图
图2 （上）目标方案和（下）机器学习模型给出的地形重力波拖曳对比
原文链接：
