查看“WikiEdge:ArXiv速递/2025-04-27”的源代码

== 摘要 ==
* '''原文标题'''：Global Climate Model Bias Correction Using Deep Learning
* '''中文标题'''：基于深度学习的全球气候模型偏差校正
* '''发布日期'''：2025-04-27 07:56:57+00:00
* '''作者'''：Abhishek Pasula, Deepak N. Subramani
* '''分类'''：physics.ao-ph, cs.LG, stat.AP
*'''原文链接'''：http://arxiv.org/abs/2504.19145v1
'''中文摘要'''：[[气候变化]]影响[[海洋温度]]、[[盐度]]和[[海平面]]，进而影响[[季风]]和[[海洋生产力]]。基于[[耦合模式比较计划]]([[CMIP]])[[共享社会经济路径]]的[[全球气候模式]]未来预估被广泛用于理解气候变化影响。然而在[[孟加拉湾]]地区，当既有预估又有[[再分析数据]]的时段内，[[CMIP]]模式相较再分析数据存在显著偏差。例如[[气候模式]][[CNRM-CM6]]的[[海表温度]]([[SST]])预估与[[海洋再分析系统]]([[ORAS5]])相比存在1.5℃的[[均方根误差]]([[RMSE]])。我们开发了一套[[数据驱动]]的[[深度学习模型]]用于气候模式预估的[[偏差校正]]，并将其应用于孟加拉湾[[SST]]预估的校正。我们提出使用三种不同的[[深度神经网络]]架构：[[卷积编码器-解码器]][[UNet]]、[[双向LSTM]]和[[ConvLSTM]]，同时采用[[线性回归]]基准模型和[[等距累积密度函数]]([[EDCDF]])偏差校正方法进行对比评估。所有偏差校正模型均以[[CMIP6]]月度预估及对应月份的[[ORAS5]]数据作为输入输出进行训练。使用[[CNRM-CM6]]的历史数据(1950-2014年)和未来预估数据(2015-2020年)进行训练验证及[[超参数调优]]，并在2021-2024年未来预估数据上进行测试。已完成对三种[[深度神经模型]]的详细分析，发现以[[气候学]]剔除后的[[CNRM-CM6]]预估为输入、气候学剔除后的[[ORAS5]]为输出训练的[[UNet]]架构能提供最优的偏差校正结果。我们提出的基于[[深度学习]]的[[CNRM-CM6]]数据校正新方法，其[[RMSE]]较[[EDCDF]]方法降低了15%。