【预出版| AI专刊】基于生成对抗网络修正气候模式的海表面温度模拟：气候态、年际变率
文章来源于：大气科学进展AASCite this article:
Wang, Y., and Coauthors, 2024: Correcting Climate Model Sea Surface Temperature Simulations with Generative Adversarial Networks: Climatology, Interannual Variability, and Extremes. Adv. Atmos. Sci., https://doi.org/10.1007/s00376-024-3288-6
Download:
http://www.iapjournals.ac.cn/aas/en/article/doi/10.1007/s00376-024-3288-6
AI专刊 | 预出版基于生成对抗网络修正气候模式的海表面温度模拟：气候态、年际变率和极值
气候模式对于理解和预估全球气候变化及其影响至关重要。然而，当前气候模式仍存在不少模拟偏差，这限制了其历史模拟的准确性和未来预估的可信度。由于内部变率的存在，模式模拟结果与观测数据无法完全一一对应，这限制了传统基于监督学习的校正方法的应用。本文基于无监督的循环一致生成对抗网络（CycleGAN）来校正通用地球系统模式（CESM2）的日海表温度（SST）模拟结果。研究结果表明，CycleGAN 不仅能校正气候态偏差，还能显著改进对厄尔尼诺-南方涛动（ENSO）、印度洋偶极子（IOD）等动力模态以及海温极值的模拟能力。CycleGAN将全球平均均方根误差（RMSE）降低了 58%，同时显著减弱了ENSO SST 异常过度西伸的偏差，该偏差是西北太平洋异常反气旋乃至东亚夏季风模拟最主要的误差来源之一，而传统方法（如quantile map）很难纠正这一模式共同偏差。此外，它还改进了对海温极值的模拟，将模态相关系数（PCC）从 0.56 提高到 0.88，将RMSE从 0.5 降低到 0.32。这种改进可能与年际、季节内和天气尺度过程的改进有关。本研究提供了一种校正全球 SST 模拟的新方法，并证明了该方法对于提升动力模态模拟能力的有效性。
关键词：生成对抗网络,模式偏差,深度学习,厄尔尼诺-南方涛动，海洋热浪
图1 生成对抗网络海表面温度校正模型示意
可以啊
页:
[1]