npj Climate and Atmospheric Science: Совместное моделирование на основе глубокого обучения для оценки ежедневных выбросов CO
В данном исследовании авторы разработали совместную модель на основе четырёхмерной вариационной ассимиляции данных (4DVAR) с использованием глубокого обучения (deep learning, DL) для оценки суточных концентраций оксида углерода CO в Восточной Азии. Прямая модель построена на архитектуре U-Net, а её сопряжённая версия сформулирована путём явного вычисления градиентов функции стоимости относительно начального условия с использованием алгоритма обратного распространения ошибки. Совместная модель на основе DL (adjoint model, ADM) была сначала проверена с помощью сопряжённого теста — теста градиента конечных разностей. Идеализированные эксперименты с использованием синтетических приращений CO в одной точке сетки над Корейским полуостровом показали, что сопряжённая чувствительность распространяется горизонтально и вертикально в область выше по течению вдоль климатологических потоков с диффузионными особенностями. Кроме того, идеализированные эксперименты 4DVAR с использованием наблюдений за содержанием CO на месте над Кореей и Японией в 2020–2022 гг. продемонстрировали существенное снижение погрешности на Корейском полуострове, в Японии и на северо-востоке Китая. Это подтверждает, что основанный на глубоком обучении алгоритм ADM демонстрирует физически обоснованное распространение информации наблюдений во времени и пространстве, предлагая многообещающую и эффективную альтернативу динамическим сопряжённым модельным подходам, ограниченным высокими вычислительными затратами.