Avaliando a previsão da energia cinética parasita da sub-rede a partir de um modelo de aprendizado de máquina

A resolução do modelo climático global ainda é demasiado grosseira para resolver completamente os processos de mesoescala, pelo que são necessários encerramentos de sub-redes para aproximar o feedback dos redemoinhos no fluxo resolvido. Com conjuntos de dados de alta resolução agora prontamente disponíveis, tem havido um rápido crescimento no uso de aprendizado de máquina para desenvolver novos fechamentos de redemoinhos que poderiam ajudar a reduzir distorções e incertezas do modelo.

Abordamos a questão de saber se são necessárias parametrizações globais ou se os fechamentos regionais são suficientes, avaliando uma série de modelos de redes neurais por meio de experimentos de ablação de regiões e recursos. Os modelos de parametrização de ML generalizam para regiões invisíveis quando seus dados de treinamento compartilham recursos e distribuições de destino semelhantes com essas regiões.

Modelos que não generalizam incorrem em mudanças distributivas ou empregam diferentes escalas de filtragem para o verdadeiro campo de energia cinética parasita. Ao manter recursos, há melhorias entre os modelos de ML generalizáveis, com alguns espaços de recursos levando a melhorias em algumas regiões, mas degradando o desempenho em outras.

Geralmente, a densidade espectral de potência de $KE_e$ tende a divergir em pequenas escalas, embora alguns espaços de características sejam capazes de minimizar esta divergência. No geral, o modelo de melhor desempenho treinado em todas as regiões atinge pontuações R2 de média de tempo e anomalia de R2$\approx 0, 95$ e R2$\approx 0, 8 - 0, 9$, respectivamente.

Tanto indivíduos como organizações que trabalham com arXivLabs abraçaram e aceitaram nossos valores de abertura, comunidade, excelência e privacidade dos dados do usuário. ArXiv está comprometido com esses valores e só trabalha com parceiros que os aderem.

Tem uma ideia de um projeto que agregue valor à comunidade arXiv? .

Fonte