From Physics-Based Parameterization to Data-Driven Emulation of Planetary Boundary Layer Turbulence in BAM- 1D
本研究表明，多层感知器神经网络能够高保真且具有数值稳定性地成功模拟 BAM-1D 模型中的 Holtslag–Boville 行星边界层湍流参数化方案，为未来物理—机器学习混合大气模拟提供了一条极具前景的途径。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
我们呼吸的空气并非一层静止的毯子，而是一种流动的流体，不断被太阳的热量和下方地面的摩擦所重塑。在大气层中最底层的部分，即行星边界层中，这种搅动最为剧烈。在这里，肉眼看不见的空气旋涡——湍流——混合着热量、水分和动量，决定了一天是晴朗平静还是风雨交加。由于这些微小的旋涡过于细微，无法被天气模型直接观测到，科学家必须使用被称为“参数化”的数学捷径，来推测它们的行为。这些捷径对于预测天气至关重要，但它们并不完美，在条件发生快速变化或变得非常稳定时往往表现不佳。随着计算机性能的日益增强，一个新问题出现了：我们能否教会计算机直接从数据中学习这些捷径，而不是仅仅依赖于那些旧有的、手工设计的公式？
来自巴西的一个研究小组在回答这个问题方面迈出了重要一步。他们针对巴西全球大气模型中处理地面附近空气混合的一个特定部分进行了研究。他们并没有尝试仅利用原始观测数据从头开始预测天气，而是提出了一个不同的问题：计算机能否学会模仿现有的、受信任的数学公式的行为？为了验证这一点，他们构建了一个数字“代理”模型——一个复杂物理过程的简化版本——并使用了名为神经网络的一种人工智能技术。这个网络并不是通过直接观察天空来学习，而是通过研究原始模型的输出进行学习。研究人员向计算机输入了数百万张大气快照，展示了一侧的状况以及由此产生的湍流，从而让它能够学习连接两者的隐藏模式。
这项研究历时两年，使用的是在亚马逊雨林上空运行的模拟数据，该地区以其强烈且复杂的天气现象而闻名。团队在近 17.4 万个大气剖面数据上训练了他们的神经网络，这是一个捕捉了直至地面处大气垂直结构的庞大数据集。他们教会了计算机预测描述空气如何混合的四个关键量：动量传递的速度、热量传递的速度，以及两个专门用于解释空气有时会逆着预期风向或温度梯度运动的特定项。目标是看计算机是否能以极高的准确度重现原始物理公式的结果，同时又无需每次都承担求解复杂方程的高昂计算成本。
当研究人员测试这个新系统时，结果与原始模型惊人地接近。神经网络成功地重建了湍流的垂直结构，匹配了原始模型关于热量和动量如何在空气中扩散的预测。它捕捉到了夜晚形成的平静薄层，以及白天发生的剧烈深层混合。即使对于那些更难预测的项（即空气以意想不到的方式运动的情况），计算机的误差也很小，并未破坏整体图景。研究表明，人工智能可以作为传统物理学的忠实替代品，在保留大气基本行为的同时，不会引入有时会困扰新模型的混沌误差。
为了确保这不仅仅是一项理论练习，研究人员将这个新的神经网络直接接入天气模型并运行。他们观察计算机是否会崩溃或产生不可能的结果，这是用机器学习取代既定物理学时常见的风险。系统运行平稳。模拟的温度、风力和降水量演变过程与使用原始公式的运行情况几乎完全一致。昼夜冷却与增温的循环保持完好，降雨事件的时机也被完整保留。这证实了这种新方法不仅在孤立状态下是准确的，而且足够稳定，足以在复杂的大气模拟系统中运行。素。
虽然在这次特定的单维测试中，原始物理公式的运行速度仍略快，但研究人员指出，计算机的方法是为另一种类型的速度而设计的。神经网络依赖于简单的、重复性的计算，这非常适合现代的并行计算能力。这表明，随着天气模型变得规模更大、细节更丰富，人工智能方法最终可能会成为更高效的选择。这项研究并不声称已经解决了湍流问题或改进了物理学本身；相反，它证明了一种利用不同工具复制现有物理学工作的可靠方法。通过证明机器可以学会模仿低层大气的复杂舞步而不失去平衡，研究人员为通向新一代天气模型开辟了一条切实可行的路径，这些模型将人类设计的科学与人工智能的模式识别能力融合在一起。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。