論文の概要: Machine Learning Parameterization of the Multi-scale Kain-Fritsch (MSKF)
Convection Scheme
- arxiv url: http://arxiv.org/abs/2311.03652v1
- Date: Tue, 7 Nov 2023 01:47:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-08 17:15:50.036954
- Title: Machine Learning Parameterization of the Multi-scale Kain-Fritsch (MSKF)
Convection Scheme
- Title(参考訳): マルチスケールKain-Fritsch(MSKF)対流スキームの機械学習パラメータ化
- Authors: Xiaohui Zhong and Xing Yu and Hao Li
- Abstract要約: 温暖帯の豪雨はしばしば南中国沿岸で起こる。
大気境界層の乱流渦は、灰色ゾーンで部分的に解かれ、ある程度パラメータ化されるのみである。
近年,さまざまな分野の大気科学への機械学習(ML)モデルの適用が増加している。
- 参考スコア(独自算出の注目度): 6.912451798457824
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Warm-sector heavy rainfall often occurs along the coast of South China, and
it is usually localized and long-lasting, making it challenging to predict.
High-resolution numerical weather prediction (NWP) models are increasingly used
to better resolve topographic features and forecast such high-impact weather
events. However, when the grid spacing becomes comparable to the length scales
of convection, known as the gray zone, the turbulent eddies in the atmospheric
boundary layer are only partially resolved and parameterized to some extent.
Whether using a convection parameterization (CP) scheme in the gray zone
remains controversial. Scale-aware CP schemes are developed to enhance the
representation of convective transport within the gray zone. The multi-scale
Kain-Fritsch (MSKF) scheme includes modifications that allow for its effective
implementation at a grid resolution as high as 2 km. In recent years, there has
been an increasing application of machine learning (ML) models to various
domains of atmospheric sciences, including the replacement of physical
parameterizations with ML models. This work proposes a multi-output
bidirectional long short-term memory (Bi-LSTM) model as a replace the
scale-aware MSKF CP scheme. The Weather Research and Forecast (WRF) model is
used to generate training and testing data over South China at a horizontal
resolution of 5 km. Furthermore, the WRF model is coupled with the ML based CP
scheme and compared with WRF simulations with original MSKF scheme. The results
demonstrate that the Bi-LSTM model can achieve high accuracy, indicating the
potential use of ML models to substitute the MSKF scheme in the gray zone.
- Abstract(参考訳): 温暖帯の豪雨はしばしば南シナ沿岸で発生し、普通は局地化され、長く続くため、予測は困難である。
高分解能数値気象予測(nwp)モデルは、地形的特徴の解決とそのような高影響気象事象の予測にますます使われている。
しかし、格子間隔がグレイゾーンとして知られる対流の長さスケールに匹敵するようになると、大気境界層の乱流渦は部分的に解決され、ある程度パラメータ化される。
グレイゾーンにおける対流パラメタライゼーション(CP)スキームの使用は議論の余地がある。
グレーゾーン内の対流輸送の表現を高めるため,スケール対応CPスキームを開発した。
マルチスケールのKain-Fritsch (MSKF) スキームには、グリッド解像度で最大2kmの効率的な実装を可能にする修正が含まれている。
近年,物理パラメータ化をMLモデルに置き換えるなど,さまざまな分野の大気科学への機械学習(ML)モデルの適用が増加している。
本研究は、スケール認識型MSKF CPスキームの代替として、多出力双方向長短期メモリ(Bi-LSTM)モデルを提案する。
気象調査・予測(WRF)モデルは、南中国上空で5kmの水平解像度でトレーニングとテストデータを生成するために使用される。
さらに、WRFモデルはMLベースのCPスキームと結合し、WRFシミュレーションとMSKFスキームを比較した。
その結果, Bi-LSTMモデルは高い精度を達成でき, グレーゾーンのMSKFスキームを置き換えるMLモデルの可能性を示した。
関連論文リスト
- The Bigger the Better? Rethinking the Effective Model Scale in Long-term
Time Series Forecasting [57.00348861248051]
時系列予測は時系列分析において重要なフロンティアである。
階層的な分解で拡張された軽量トランスフォーマーであるHDformerを紹介する。
HDformerは既存のLTSFモデルよりも優れており、パラメータは99%以上少ない。
論文 参考訳(メタデータ) (2024-01-22T13:15:40Z) - Model-Based Reparameterization Policy Gradient Methods: Theory and
Practical Algorithms [88.74308282658133]
Reization (RP) Policy Gradient Methods (PGM) は、ロボット工学やコンピュータグラフィックスにおける連続的な制御タスクに広く採用されている。
近年の研究では、長期強化学習問題に適用した場合、モデルベースRP PGMはカオス的かつ非滑らかな最適化環境を経験する可能性があることが示されている。
本稿では,長期モデルアンロールによる爆発的分散問題を緩和するスペクトル正規化法を提案する。
論文 参考訳(メタデータ) (2023-10-30T18:43:21Z) - Residual Diffusion Modeling for Km-scale Atmospheric Downscaling [51.061954281398116]
台湾上空2kmの高解像度気象モデルを用いて,コスト効率の低いダウンスケーリングモデルを訓練した。
textitCorrDiffは、RMSEとCRPSを巧みに表現し、極端な場合でもスペクトルと分布を忠実に回復する。
グローバルな予測のスケールダウンは、これらのメリットの多くを成功裏に維持し、マシンラーニングの天気予報のエンドツーエンドなグローバルなスケールの可能性を先導する。
論文 参考訳(メタデータ) (2023-09-24T19:57:22Z) - ClimSim: A large multi-scale dataset for hybrid physics-ML climate
emulation [89.29389098578194]
物理と機械学習(ML)を組み合わせたハイブリッドな手法は、新しい世代の高忠実度気候シミュレータを導入した。
ClimSimは、ハイブリッドML物理研究のために設計された、史上最大のデータセットである。
論文 参考訳(メタデータ) (2023-06-14T21:26:31Z) - Real-time high-resolution CO$_2$ geological storage prediction using
nested Fourier neural operators [58.728312684306545]
炭素捕獲貯蔵(CCS)は、地球規模の脱炭酸に不可欠な役割を担っている。
CCS展開のスケールアップには, 貯留層圧力上昇とガス配管マイグレーションの高精度かつ高精度なモデリングが必要である。
我々は,高分解能な3D CO2ストレージモデリングのための機械学習フレームワークであるNested Fourier Neural Operator (FNO)を,盆地スケールで導入した。
論文 参考訳(メタデータ) (2022-10-31T04:04:03Z) - Collaborative Intelligent Reflecting Surface Networks with Multi-Agent
Reinforcement Learning [63.83425382922157]
インテリジェント・リフレクション・サーフェス(IRS)は将来の無線ネットワークに広く応用されることが想定されている。
本稿では,エネルギー収穫能力を備えた協調型IRSデバイスを用いたマルチユーザ通信システムについて検討する。
論文 参考訳(メタデータ) (2022-03-26T20:37:14Z) - Introducing Randomized High Order Fuzzy Cognitive Maps as Reservoir
Computing Models: A Case Study in Solar Energy and Load Forecasting [0.0]
ファジィ認知マップ(FCM)は、ノード(概念)と重みからなる解釈可能な符号付き重み付きグラフ法として登場した。
本稿では,R-HFCMとラベル付けされたランダム化された高次FCMモデル群からなる,新しい非可変時系列予測手法を提案する。
提案したR-HFCMモデルは,FCMとEcho State Network(ESN)の概念を,効率的かつ特異的なReservoir Computing(RC)モデルファミリとして統合することに関連している。
論文 参考訳(メタデータ) (2022-01-06T17:58:09Z) - Learning and Dynamical Models for Sub-seasonal Climate Forecasting:
Comparison and Collaboration [20.52175766498954]
サブシーズン気候予報(サブシーズン気候予報、Sub-seasonal climate forecasting、SSF)は、2週間から2ヶ月の時間地平線における気温や降水などの重要な気候変数の予測である。
近年の研究では、機械学習モデル(ML)がSSFを前進させる可能性を示している。
論文 参考訳(メタデータ) (2021-09-29T06:34:34Z) - TRU-NET: A Deep Learning Approach to High Resolution Prediction of
Rainfall [21.399707529966474]
本稿では,連続的畳み込み再帰層間の新しい2次元クロスアテンション機構を特徴とするエンコーダデコーダモデルであるTRU-NETを提案する。
降雨のゼロ・スクイド・%極端事象パターンを捉えるために,条件付き連続損失関数を用いた。
実験の結果,短期降水予測ではDLモデルよりもRMSEとMAEのスコアが低いことがわかった。
論文 参考訳(メタデータ) (2020-08-20T17:27:59Z) - Interpreting LSTM Prediction on Solar Flare Eruption with Time-series
Clustering [0.0]
本研究では,Long Short Term Memory (LSTM)モデルによる太陽フレア予測のポストホック解析を行った。
LSTMモデルを用いて二分分類を行い,次の時間に発生するM/Xクラスフレアの確率を予測する。
我々の研究は、SHARPパラメータのサブセットが、強い太陽フレアの噴火が差し迫っている重要な信号を含んでいることを示している。
論文 参考訳(メタデータ) (2019-12-27T22:56:01Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。