WikiEdge:ArXiv速遞/2025-04-27

摘要

• 原文標題：Global Climate Model Bias Correction Using Deep Learning
• 中文標題：基於深度學習的全球氣候模型偏差校正
• 發布日期：2025-04-27 07:56:57+00:00
• 作者：Abhishek Pasula, Deepak N. Subramani
• 分類：physics.ao-ph, cs.LG, stat.AP
• 原文連結：http://arxiv.org/abs/2504.19145v1

中文摘要：氣候變化影響海洋溫度、鹽度和海平面，進而影響季風和海洋生產力。基於耦合模式比較計劃(CMIP)共享社會經濟路徑的全球氣候模式未來預估被廣泛用於理解氣候變化影響。然而在孟加拉灣地區，當既有預估又有再分析數據的時段內，CMIP模式相較再分析數據存在顯著偏差。例如氣候模式CNRM-CM6的海表溫度(SST)預估與海洋再分析系統(ORAS5)相比存在1.5℃的均方根誤差(RMSE)。我們開發了一套數據驅動的深度學習模型用於氣候模式預估的偏差校正，並將其應用於孟加拉灣SST預估的校正。我們提出使用三種不同的深度神經網絡架構：卷積編碼器-解碼器UNet、雙向LSTM和ConvLSTM，同時採用線性回歸基準模型和等距累積密度函數(EDCDF)偏差校正方法進行對比評估。所有偏差校正模型均以CMIP6月度預估及對應月份的ORAS5數據作為輸入輸出進行訓練。使用CNRM-CM6的歷史數據(1950-2014年)和未來預估數據(2015-2020年)進行訓練驗證及超參數調優，並在2021-2024年未來預估數據上進行測試。已完成對三種深度神經模型的詳細分析，發現以氣候學剔除後的CNRM-CM6預估為輸入、氣候學剔除後的ORAS5為輸出訓練的UNet架構能提供最優的偏差校正結果。我們提出的基於深度學習的CNRM-CM6數據校正新方法，其RMSE較EDCDF方法降低了15%。