Phân tích bài báo sử dụng học máy Để tham số hóa Đối lưu Ẩm tiềm năng mô hình hóa khí hậu, biến Đổi khí hậu và các hiện tượng cực Đoan

Nghiên cứu này sử dụng một tập hợp các cây quyết định RF như thuật toán ML, GCM với tham số hóa đối lưu dựa trên ML chạy ổn định và nắm bắt chính xác các thông số.. Sử dụng học máy để mô

Paul A O'Gorman, John G Dwyer

Phân tích bài báo

Sử dụng học máy để tham số hóa đối lưu ẩm: Tiềm năng mô hình hóa khí hậu, biến đổi khí

hậu và các hiện tượng cực

đoanNhóm 1: Vũ Quang Anh 20216045

Ngô Đức Anh 20216037Ngô Đức Anh 20205529Nguyễn Mậu Bắc 20205541

Các tiêu đề bài báo

Giới thiệu tác dụng của học máy (ML)

Kết quả của ML có thể áp dụng một cách hiệu quả vào mô hình hoàn lưu chung (GCM)

Nghiên cứu này sử dụng một tập hợp các cây quyết định (RF) như thuật toán ML, GCM với tham số hóa đối lưu dựa trên ML chạy ổn định và nắm bắt chính xác các thông số.

Các tham số hóa ML có thể được kết hợp để cung cấp chẩn đoán về tương tác giữa đối

lưu và môi trường quy mô lớn.

Sử dụng học máy để mô phỏng các hiện tượng quy mô nhỏ trong mô hình khí hậu có thể cải thiện độ chính xác.

Định nghĩa các mô hình hoàn lưu chung ( GCM)

Các mô hình hoàn lưu chung (GCM) của khí quyển và đại dương là công cụ quan trọng để mô phỏng khí hậu và dự báo thời tiết bằng số GCM dựa trên các phương trình mô tả động lực học đã được giải quyết (sử dụng các định luật bảo toàn năng lượng, động lượng và khối lượng) và các sơ đồ tham số hóa đại diện cho các quá trình lưới điện con.

Định nghĩa về học máy ( ML)

Tạo ra các sơ đồ tham số hóa mới bằng cách điều chỉnh mô hình thống kê

phù hợp với đầu ra của các mô hình vật lý, thể hiện chân thực hơn động lực học của lưới điện con.

Nội dung phần giới thiệu

1.1 So sánh việc tham số hóa dựa trên học máy và tham số hóa thông

thường

1.2 Đối tượng của tham số hóa dựa trên học máy

1.3 So sánh việc tham số hóa dựa trên học máy trong các mô phỏng bằng GCM được lý tưởng hóa với các mô phỏng bằng RAS ( tham số hóa RF)

1 Introduction

( giới thiệu)

- Đưa ra khái niệm, ưu nhược điểm của việc sử dụng thuật toán RF

RF là một công cụ ước tính ML bao gồm một tập hợp các cây quyết định.

RF được sử dụng rộng rãi vì chúng không yêu cầu tiền xử lý nhiều và chúng thường hoạt động tốt trên nhiều loại siêu tham số

Ưu điểm chính của việc sử dụng RF là các dự đoán có ý nghĩa đối với các tập hợp con của dữ liệu huấn luyện và điều này dẫn đến sự bảo toàn năng lượng và tính không âm của lượng mưa bề mặt bằng cách tham số hóa RF.

Nhược điểm của RF là phải có sẵn bộ nhớ đáng kể khi chạy GCM để lưu trữ cấu trúc cây và các giá trị dự đoán.

2 Thuật toán RF

Cấu hình mô hình khí hậu toàn cầu lý tưởng (GCM)

Sử dụng mô hình đối lưu (RAS) như trong mô hình AM2 của GFDL.

GCM lý tưởng không bao gồm các yếu tố phức tạp như chu kỳ ngày đêm và tương tác mây-bức xạ.

Mô phỏng số

Mô phỏng được thực hiện với RAS và không có RAS để so sánh.

Mô phỏng được đưa đến trạng thái cân bằng thống kê trong 700 ngày, sau đó tiếp tục chạy để thu thập dữ liệu huấn luyện cho học máy.

Xem xét hai khí hậu: kiểm soát (288 K) và ấm (295 K).

3 Sơ đồ đối lưu và mô phỏng GCM(mô hình lưu

thông chung) lý tưởng hóa

Mô hình khí quyển dựa trên mô hình lõi động quang phổ GFDL với đại dương lớp hỗn hợp nông

Không có đất, băng, mùa hay ngày

Bức xạ mặt và dài được đại diện đơn giản hóa

GCM lý tưởng

Độ phân giải: T42 (30 mức sigma dọc)

Bước thời gian: 10 phút

SLIDE

Thực hiện mô phỏng với sơ đồ RAS và RF trên 700 ngày để đạt trạng thái cân bằng thống kê.

Sau đó chạy 3.300 ngày (RAS) hoặc 900 ngày (RF) để thu thập dữ liệu huấn luyện cho ML.

So sánh với các mô phỏng không có đối lưu.

Mô phỏng

Xét hai loại khí hậu: kiểm soát và ấm áp.

Phần 4 nêu cách thức đào tạo và xác nhận thông số của thuật toán RF, cụ thể:

Phần 4 nêu cách thức lựa chọn môi trường và phương pháp đào tạo thuật toán từ

dữ liệu đó

Từ kết quả đào tạo xác nhận về tính đúng đắn của thuật toán

Rút ra kết luận của thuật toán đối với môi trường

4 Đào tạo và xác nhận RF

4.1 Vai trò của phần 4 trong bài báo

4.2.2 Huấn luyện và kiểm tra dữ liệu

4 Đào tạo và xác nhận RF

Lưu dữ liệu hồ sơ nhiệt độ, độ ẩm và áp suất bề mặtTính xu hướng đối lưu của nhiệt độ và độ ẩm do RAS đưa ra

Lưu 70% mẫu để huấn luyện, 30% còn lại làm tập dữ liệu kiểm tra

Ngẫu nhiên chọn mẫu để số lượng mẫu theo vĩ độ tỷ lệ với cosin vĩ độ Tổng hợp và trộn lại các mẫu huấn luyện

4.2 Nội dung của phần 4

4.2.3 Huấn luyện RF và chọn tham số

+ n_estimators = 10; min_sample_leaf = 10; n_train = 700.000

Kích thước mẫu huấn luyện:

+ Tương đương với khoảng 5 năm dữ liệu mô hình; Có thể giảm bằng cáchlấy mẫu thường xuyên hơn hàng ngày

Kết quả:

+ RF huấn luyện trên mô phỏng kiểm soát có 62.250 nút mỗi cây

4.2 Nội dung của phần 4

4.2.4 Xác thực trên tập dữ liệu thử nghiệm

4 Đào tạo và xác nhận RF

4.2 Nội dung của phần 4

4.2.5 Bảo toàn năng lượng và lượng mưa không âm

Sau khi xác nhận tính chất của RF, phần 5 sẽ dùng thuật toán RF để áp

dụng vào GCM và mô phỏng và chứng minh được hiệu quả của RF thông

qua kết quả:

RF tái tạo chính xác thống kê khí hậu

RF có làm tăng tốc GCM gấp 3

So với RAS, RF mô phỏng thống kê khí hậu có hiệu quả tốt hơn

5 Triển khai trong GCM và Mô phỏng khí hậu kiểm soát

5.1 Vai trò của phần 5 trong bài báo

5 Triển khai trong GCM và Mô phỏng khí hậu kiểm

soát

5.2 Nội dung của phần 5

Kết quả của môphỏng chứngminh tính hiệuquả của RF

ĐÀO TẠO Ở CÁC VÙNG KHÍ HẬU KHÁC NHAU PHẦN 6

Vị trí

Là một đoạn trong phần

kết quả

Đưa ra các biểu đồ, thông số

cụ thể về đào tạo máy ở các điều kiện khác nhau

Nội dung

CÁCH TIẾP CẬN

Trong môi trường khí

hậu kiểm soát Trong môi trường khí hậu ẩm

Nội dung

Dữ liệu đo áp suất bề mặt

Dữ liệu đo thông số nhiệt độ

Dữ liệu đo thông số lượng mưa

Những dữ liệu được đào tạo sẽ được gộp lại để làm dữ liệu cho một máy

2 3

Ý chính

Đưa ra các thông số cụ thể về đào tạo máy trong các môi trường khác nhau Phân tích dữ liệu, sai số trong thực tế, đưa ra dữ liệu chính xác hơn

ĐỘ NHẠY CẢM VỚI NHIỄU LOẠN

PHẦN 7

HÀM PHẢN HỒI TRẠNG THÁI

Phản hồi các thông tin đo lường nhiệt

độ, độ ẩm và áp suất bề mặt, lượng

mưa

Từ đó các thông tin được xử lý bằng cách

tính trung bình hiệu số các thông tin ấy,

giảm răng cưa của biểu đồ, giảm sự nhiễu

loạn

Cách giải quyết

8 Thay thế cả sơ đồ ngưng tụ và đối lưu quy mô lớn

Sử dụng thuật toán ML thay cho quy trình đối lưu ẩm, giữ nguyên các lược đồ thông thường đối với ngưng tụ quy mô lớn, bức xạ và ranh giới lớp

Có thể dùng ML để biểu diễn tất cả các lược đồ hoặc chỉ một số lược đồ trong mô hình khí hậu toàn cầu (GCM)

Thử nghiệm cũng thay thế tổng khuynh hướng của lược đồ đối lưu ẩm và lược đồ ngưng tụ quy mô lớn bằng một khu rừng ngẫu nhiên (RF) cho kết quả tệ với độ ẩm tương đối, đặc biệt ở tầng đối lưu trên của vùng ôn đới ngoài nhiệt đới

Sau khi điều chỉnh cách đào tạo để tính đến các tính chất của lược đồ ngưng tụ quy

mô lớn, thì vấn đề độ ẩm tương đối đã được loại bỏ phần lớn

RF với sự lựa chọn về lấy mẫu, các đặc trưng và tỷ lệ đầu ra này dự đoán chính xác các khuynh hướng ngưng tụ đối lưu kết hợp và ngưng tụ quy mô lớn cùng lượng mưa trên bề mặt.

Quyết định thay thế mô

8 Thay thế cả sơ đồ ngưng tụ và đối lưu quy mô lớn

Huấn luyện trên đầu ra của các mô hình độ phân giải cao cho phép

ML đại diện cho tất cả hoặc một số mô hình trong một GCM.

Thử thay thế tổng của các xu hướng từ mô hình hấp thụ ẩm và mô hình kích thước lớn của hiện tượng kết tủa bằng một RF.

Sử dụng RF trong GCM

đối với độ ẩm tương

đối gặp khó khăn, đặc

biệt ở tầng cao phân

nửa quảng đại.

Điều chỉnh phương pháp huấn luyện để giải quyết vấn đề với

độ ẩm tương đối trong RF

Chuyển sang sử dụng

độ ẩm tương đối như đặc điểm đầu vào cho hiện tượng kết tủa kích thước lớn.

- Bài viết đã nghiên cứu cách hoạt động của tham số hóa đối lưu ẩm dựa trên RF khi được triển khai trong GCM trong môi trường lý tưởng hóa.

Tham số hóa RF làm mô phỏng khí hậu kiểm soát chính xác, dễ đảm bảo các ràng buộc vật lý (như bảo toàn năng lượng).

RF hoạt động tốt trong GCM để mô phỏng lượng mưa cực đoan mà không cần đào tạo chuyên biệt.

RF được đào tạo trong khí hậu kiểm soát không thể khái quát hóa được khí hậu ấm áp sau một vĩ

REFERENCES

THANK YOU

FOR WATCHING