Nature Communications: Устойчивая машинная параметризация подсеточных процессов для моделирования климата в различных разрешениях
Глобальные климатические модели описывают мелкомасштабные процессы, такие как конвекция, с использованием подсеточных моделей (параметризаций), и эти параметризации вносят существенный вклад в неопределённость климатических оценок. Машинное обучение новым параметризациям из выходных данных модели с высоким разрешением является многообещающим подходом, но такие параметризации порождали проблемы нестабильности и с оценками климатических трендов, а их эффективность для различных шагов сетки ещё не была исследована. Авторы используют «случайный лес» (алгоритм машинного обучения, заключающийся в использовании ансамбля «решающих деревьев»), чтобы изучить параметризацию от грубого результата работы трёхмерной идеализированной атмосферной модели с высоким разрешением. Параметризация приводит к устойчивому решению при грубом разрешении, воспроизводящему климат с высоким разрешением. Переобучение для различных грубых факторов показывает, что параметризация работает лучше при меньших размерах горизонтальной сетки. Результаты дают представление об эффективности параметризации в зависимости от размера шага сетки, а также демонстрируют потенциал для обучения параметризации на основе работы появляющихся сегодня глобальных моделей высокого разрешения.
