Nature Communications Earth & Environment: Внедрение модельного описания подсеточной изменчивости на основе машинного обучения улучшает распределение осадков
Схемы параметризации в моделях общей циркуляции необходимы для охвата облачных процессов и формирования осадков, но демонстрируют давно известные смещения. Здесь разработан гибридный подход, который борется с этими смещениями путём внедрения многовыходного гауссовского процесса, обученного прогнозировать изменчивость с высоким разрешением в каждой ячейке сетки климатической модели. Обученная многовыходная модель гауссовского процесса на месте связана с упрощённой моделью общей циркуляции атмосферы под названием SPEEDY. Профили температуры и удельной влажности SPEEDY возмущаются с фиксированными интервалами в соответствии с изменчивостью, предсказанной с помощью гауссовского процесса. Десятилетние прогнозы генерируются как для контрольных, так и для гибридных моделей машинного обучения. Гибридная модель снижает среднеквадратичную ошибку глобального уровня осадков, взвешенную по площади, до 17%, а над тропиками — до 20%. Известно, что гибридные методы инициируют нефизические состояния, поэтому физические величины исследуются, чтобы гарантировать, что климатический дрейф не наблюдается. Кроме того, чтобы понять движущие силы улучшений представления осадков, изучаются изменения в термодинамических профилях и распределение повышенных значений индекса.