清晨好,您是今天最早来到科研通的研友!由于当前在线用户较少,发布求助请尽量完整地填写文献信息,科研通机器人24小时在线,伴您科研之路漫漫前行!

Physics-informed deep-learning parameterization of ocean vertical mixing improves climate simulations

混合(物理) 一般化 气候模式 人工神经网络 海洋观测 水文学 计算机科学 气象学 深海 气候学 湍流 环境科学 人工智能 气候变化 海洋学 物理 地质学 数学 数学分析 量子力学
作者
Yuchao Zhu,Rong‐Hua Zhang,James N. Moum,Fan Wang,Xiaofeng Li,Delei Li
出处
期刊:National Science Review [Oxford University Press]
卷期号:9 (8) 被引量:58
标识
DOI:10.1093/nsr/nwac044
摘要

Uncertainties in ocean-mixing parameterizations are primary sources for ocean and climate modeling biases. Due to lack of process understanding, traditional physics-driven parameterizations perform unsatisfactorily in the tropics. Recent advances in the deep-learning method and the new availability of long-term turbulence measurements provide an opportunity to explore data-driven approaches to parameterizing oceanic vertical-mixing processes. Here, we describe a novel parameterization based on an artificial neural network trained using a decadal-long time record of hydrographic and turbulence observations in the tropical Pacific. This data-driven parameterization achieves higher accuracy than current parameterizations, demonstrating good generalization ability under physical constraints. When integrated into an ocean model, our parameterization facilitates improved simulations in both ocean-only and coupled modeling. As a novel application of machine learning to the geophysical fluid, these results show the feasibility of using limited observations and well-understood physical constraints to construct a physics-informed deep-learning parameterization for improved climate simulations.

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
Zhangym完成签到 ,获得积分10
10秒前
魔幻雪兰完成签到,获得积分10
10秒前
智者雨人完成签到 ,获得积分10
12秒前
沉默怡完成签到,获得积分10
22秒前
FashionBoy的应助被朱洪帆采纳,获得10
37秒前
坚强夜梦完成签到,获得积分10
38秒前
852的应助被朱洪帆采纳,获得10
48秒前
51秒前
solger发布了新的文献求助10
56秒前
坚定的问芙完成签到,获得积分10
57秒前
虚心从蓉完成签到,获得积分10
58秒前
李健的小迷弟的应助被气945采纳,获得10
1分钟前
1分钟前
漂亮的幻枫完成签到,获得积分10
1分钟前
朱洪帆发布了新的文献求助10
1分钟前
1分钟前
369ninja发布了新的文献求助10
1分钟前
威武妙柏完成签到,获得积分10
1分钟前
气945完成签到,获得积分20
1分钟前
气945驳回了李健的应助
1分钟前
Shiyuzz完成签到 ,获得积分10
1分钟前
gzhy完成签到,获得积分10
1分钟前
丰富广缘完成签到,获得积分10
1分钟前
美好傲蕾完成签到,获得积分10
1分钟前
hj完成签到 ,获得积分10
1分钟前
温暖友易完成签到,获得积分10
1分钟前
mycn完成签到,获得积分10
1分钟前
1分钟前
求求了给篇文献完成签到,获得积分10
1分钟前
陈微完成签到,获得积分10
1分钟前
怕孤独的亚男完成签到,获得积分10
1分钟前
慢波完成签到,获得积分10
1分钟前
cloudy完成签到,获得积分10
1分钟前
顺利毛豆完成签到,获得积分10
1分钟前
苏苏完成签到,获得积分10
1分钟前
1分钟前
愤怒的衬衫完成签到,获得积分10
1分钟前
腼腆的冰安完成签到,获得积分10
2分钟前
不一样的烟火完成签到,获得积分10
2分钟前
烂漫的慕卉完成签到,获得积分10
2分钟前
高分求助中
(应助此贴封号)【重要!!请各用户(尤其是新用户)详细阅读】【科研通的精品贴汇总】 10000
拉伸高分子熔体中缠结行为的模拟和小角中子散射研究 1700
The World Atlas of Wine 9th edition 1000
奈特基础组织学:配套组织病理学(第4版)(Netter's Essential Histology With Correlated Histopathology) 800
John McDowells Bildungstheorie 800
八旗制度の研究 600
Hidden Empire of Finance: How Wall Street Profits from Our Cities and Fuels Global Inequality 500
热门求助领域 (近24小时)
化学 材料科学 医学 生物 纳米技术 计算机科学 工程类 有机化学 化学工程 生物化学 物理 复合材料 内科学 催化作用 光电子学 人工智能 细胞生物学 无机化学 物理化学 数学
热门帖子
关注 科研通微信公众号,转发送积分 8166414
求助须知:如何正确求助?哪些是违规求助? 9559494
关于积分的说明 21750507
捐赠科研通 7757221
什么是DOI,文献DOI怎么找? 3429141
关于科研通互助平台的介绍 2553489
邀请新用户注册赠送积分活动 2473845