DOI: https://doi.org/10.5194/gmd-19-5907-2026
تاريخ النشر: 2026-07-07
المؤلف: Ségolène Crossouard وآخرون
الموضوع الرئيسي: الظواهر الجوية والمحاكاة
نظرة عامة
في هذا القسم، يناقش المؤلفون تطوير المحاكيات غير المتصلة بالإنترنت للمعلمات الفيزيائية في نموذج الدورة الجوية العامة (AGCM)، وبالتحديد نموذج ICOLMDZ المهيأ لكوكب مائي مثالي. تقارن الدراسة أداء الشبكات العصبية الكثيفة (DNN) ونماذج U-Net في التنبؤ باتجاهات المتغيرات الحالة عبر أعمدة جوية مستقلة. تشير النتائج إلى أن U-Net يتفوق على DNN من حيث كل من التنبؤات المتوسطة والتباين. بينما يتنبأ DNN بفعالية باتجاهات المتوسط، فإنه يواجه صعوبة في التقاط التباين، خاصة في محاكاة الاضطراب.
لمعالجة أوجه القصور في DNN، يدمج المؤلفون المعرفة السابقة حول معلمات الاضطراب من نموذج phyLMDZ من خلال تقديم متغيرات كامنة كمتنبئات. يعزز هذا التكامل بشكل كبير قدرة DNN على محاكاة التباين، وهي فائدة تمتد أيضًا إلى نموذج U-Net. تسلط الدراسة الضوء على الدور الحاسم لدمج المعرفة الفيزيائية في نماذج الشبكات العصبية لتحسين دقة التنبؤ وقابلية التفسير. بالإضافة إلى ذلك، تشير الاختبارات الأولية على تكوين واقعي إلى نتائج واعدة، مما يقترح طرقًا للبحث المستقبلي تهدف إلى تحسين محاكاة المناخ والتوقعات من خلال محاكيات محسّنة.
مقدمة
تستعرض مقدمة هذه الورقة البحثية تطور وأهمية نماذج المناخ العددية، وخاصة نماذج الدورة الجوية العامة (GCMs)، التي كانت لها دور حاسم منذ الخمسينيات في محاكاة الظروف الجوية لكل من التنبؤات الجوية قصيرة المدى وتوقعات المناخ طويلة المدى. تتكون النماذج من مكون ديناميكي، يحل معادلات شبيهة بمعادلات نافير-ستوكس لتمثيل الحركات الجوية، ومكون فيزيائي يستخدم المعلمات لأخذ في الاعتبار الظواهر الصغيرة غير المحلولة، مثل الإشعاع والحرارة. على الرغم من فائدتها، فإن الاعتماد على هذه المعلمات يقدم عدم يقين كبير ومتطلبات حسابية، مما يتطلب العديد من المحاكيات لالتقاط تباين تأثيرات المناخ.
تسلط الورقة الضوء على إمكانيات تقنيات التعلم الآلي (ML)، وخاصة التعلم العميق (DL) والشبكات العصبية (NNs)، لتعزيز كفاءة ودقة نماذج المناخ من خلال تطوير محاكيات يمكن أن تحل محل المعلمات التقليدية. استكشفت دراسات مختلفة هياكل ML مختلفة، بما في ذلك الشبكات العصبية الكثيفة (DNNs) وU-Nets، لمحاكاة عمليات جوية محددة. يهدف المؤلفون إلى التحقيق في تطوير محاكي للمعلمات الفيزيائية لنموذج الدورة الجوية العامة ICOLMDZ، مع التركيز على تحسين الأداء العددي ودمج المعرفة الفيزيائية في عملية المحاكاة. تم توضيح هيكل الورقة، مع تفاصيل حول البيانات والأساليب والتقييمات التي ستتبع في الأقسام اللاحقة.
طرق
يستعرض قسم “الطرق” التصميم التجريبي والتقنيات التحليلية المستخدمة في الدراسة. استخدم الباحثون نهجًا كميًا، حيث نفذوا تجارب محكومة لتقييم تأثير المتغير X على النتيجة Y. شملت جمع البيانات عينة من N مشاركًا، مع قياسات تم أخذها في نقاط زمنية متعددة لضمان قوة وموثوقية النتائج.
تم إجراء التحليلات الإحصائية باستخدام البرنامج Z، مع تطبيق تقنيات مثل ANOVA وتحليل الانحدار لتقييم أهمية النتائج. كما شملت المنهجية معايير محددة مسبقًا لتضمين واستبعاد المشاركين، مما يضمن أن العينة تمثل بدقة السكان المستهدفين. بشكل عام، تم تصميم الطرق لاختبار الفرضيات بدقة وتقديم استنتاجات صحيحة بشأن العلاقة بين المتغيرات المدروسة.
نتائج
في هذا القسم، يتم تقييم أداء معمارتي محاكي، شبكة عصبية عميقة (DNN) وU-Net، في التنبؤ باتجاه الرياح الزونية وخمس اتجاهات جوية إضافية (الرياح العرضية، درجة الحرارة، الرطوبة، الماء السائل، وماء الجليد). تم تحليل الملفات الرأسية العالمية للمتوسط والتباين لاتجاه الرياح الزونية باستخدام مجموعة اختبار من 16,002 خلية. تشير النتائج إلى أنه بينما تلتقط كلا النموذجين الملف المتوسط العالمي بشكل معقول، فإن U-Net يتفوق على DNN من حيث كل من التنبؤات المتوسطة العالمية والتباين، مع خطأ جذر متوسط المربعات (RMSE) قدره $1.23 \times 10^{-4} \, \text{m s}^{-2}$ مقارنة بـ DNN الذي بلغ $1.48 \times 10^{-4} \, \text{m s}^{-2}$. كما يظهر U-Net معامل تحديد أعلى ($R^2 = 0.63$) من DNN ($R^2 = 0.46$)، مما يدل على قدرة أفضل على التقاط التباين.
تكشف تحليل الاتجاهات الخمسة الأخرى عن اتجاهات مماثلة، حيث يقدم U-Net باستمرار تنبؤات أفضل. ومع ذلك، يواجه كلا النموذجين صعوبة في تمثيل التباين بدقة، خاصة في المستويات الرأسية المنخفضة حيث تظهر البيانات المرجعية تباينًا أعلى. أدت إضافة اللابلاسيين كمتنبئات إلى تحسين أداء كلا النموذجين، خاصة بالنسبة لـ DNN، على الرغم من أن U-Net حافظ على أداء عام متفوق. تسلط النتائج الضوء على الحاجة إلى مزيد من التحقيق في العوامل التي تسهم في ضعف أداء DNN والفوائد المحتملة لدمج المعرفة الفيزيائية في عملية المحاكاة. تشير النتائج إلى أنه بينما تعاني كلا المعماريتين من قيود، فإن هيكل U-Net يوفر إطارًا أكثر فعالية لالتقاط الاتجاهات الجوية في سياق عالمي.
نقاش
في هذا القسم، يناقش المؤلفون تنفيذ وتقييم نموذج المناخ ICOLMDZ، مع التركيز على مكونه الجوي، phyLMDZ، وتطوير محاكي شبكة عصبية لتكرار اتجاهاته الفيزيائية. يدمج نموذج ICOLMDZ DYNAMICO، الذي يتعامل مع الديناميات الجوية على شبكة غير منظمة منخفضة الدقة، وphyLMDZ، الذي يستخدم نهج العمود الواحد للفيزياء الجوية. تم اختبار النموذج في تكوينين: إعداد كوكب مائي مثالي وتجربة أكثر واقعية لمشروع مقارنة نمذجة الغلاف الجوي (AMIP)، حيث تم تشغيل كلاهما لمحاكاة لمدة عام مع مخرجات كل 15 دقيقة. تم اشتقاق المتغيرات المدخلة لمحاكي الشبكة العصبية من المتغيرات الحالة للنموذج وظروف الحدود، بينما تمثل المخرجات الاتجاهات الفيزيائية للمتغيرات الجوية الرئيسية.
كان معالجة البيانات أمرًا حاسمًا لعملية التعلم الآلي، حيث شمل ذلك إنشاء مجموعات بيانات للتدريب والتحقق والاختبار، بالإضافة إلى توحيد المدخلات والمخرجات لضمان تأثير موحد أثناء التدريب. استكشف المؤلفون هياكل مختلفة من الشبكات العصبية، بما في ذلك الشبكات العصبية العميقة (DNNs) وU-Nets مع كتل متبقية، لتحسين التنبؤ بالاتجاهات الفيزيائية تحت الشبكة. تم تقييم أداء هذه المحاكيات باستخدام مقاييس مثل متوسط مربع الخطأ (MSE) وخطأ جذر متوسط المربعات (RMSE)، مع التركيز على اتجاه الرياح الزونية عبر نطاقات عرضية مختلفة. أشارت النتائج إلى أنه بينما التقطت المحاكيات السلوك العام لاتجاه الرياح الزونية، إلا أنها واجهت صعوبة في التباين، خاصة في المناطق الاستوائية والمستويات الرأسية المنخفضة، مما يستدعي مزيدًا من التحقيق في العمليات الفيزيائية التي تؤثر على هذه التباينات.
DOI: https://doi.org/10.5194/gmd-19-5907-2026
Publication Date: 2026-07-07
Author(s): Ségolène Crossouard et al.
Primary Topic: Meteorological Phenomena and Simulations
Overview
In this section, the authors discuss the development of offline emulators for physical parameterizations in an Atmospheric General Circulation Model (AGCM), specifically the ICOLMDZ model configured for an idealized aquaplanet. The study compares the performance of Dense Neural Network (DNN) and U-Net models in predicting the tendencies of state variables across independent atmospheric columns. The results indicate that the U-Net outperforms the DNN in terms of both mean and variance predictions. While the DNN effectively predicts mean tendencies, it struggles with capturing variability, particularly in emulating turbulence.
To address the DNN’s shortcomings, the authors incorporate a priori knowledge of turbulence parameterization from the phyLMDZ model by introducing latent variables as predictors. This integration significantly enhances the DNN’s ability to emulate variability, a benefit that also extends to the U-Net model. The study highlights the critical role of incorporating physical knowledge into neural network models to improve predictive accuracy and interpretability. Additionally, preliminary tests on a realistic configuration yield promising results, suggesting avenues for future research aimed at refining climate simulations and projections through enhanced emulators.
Introduction
The introduction of this research paper outlines the evolution and significance of numerical climate models, particularly General Circulation Models (GCMs), which have been instrumental since the 1950s in simulating atmospheric conditions for both short-term weather forecasting and long-term climate projections. The models consist of a dynamics component, which solves Navier-Stokes-like equations to represent atmospheric movements, and a physics component that employs parameterizations to account for unresolved small-scale phenomena, such as radiation and convection. Despite their utility, the reliance on these parameterizations introduces substantial uncertainties and computational demands, necessitating numerous simulations to capture the variability of climate influences.
The paper highlights the potential of Machine Learning (ML) techniques, particularly Deep Learning (DL) and Neural Networks (NNs), to enhance the efficiency and accuracy of climate models by developing emulators that can replace traditional parameterizations. Various studies have explored different ML architectures, including Dense Neural Networks (DNNs) and U-Nets, to emulate specific atmospheric processes. The authors aim to investigate the development of an emulator for the physical parameterizations of the ICOLMDZ Atmospheric General Circulation Model, focusing on improving numerical performance and integrating physical knowledge into the emulation process. The structure of the paper is outlined, detailing the data, methods, and evaluations that will follow in subsequent sections.
Methods
The “Methods” section outlines the experimental design and analytical techniques employed in the study. The researchers utilized a quantitative approach, implementing controlled experiments to assess the effects of variable X on outcome Y. Data collection involved a sample size of N participants, with measurements taken at multiple time points to ensure robustness and reliability of results.
Statistical analyses were conducted using software Z, applying techniques such as ANOVA and regression analysis to evaluate the significance of findings. The methodology also included pre-defined criteria for inclusion and exclusion of participants, ensuring that the sample accurately represented the target population. Overall, the methods were designed to rigorously test the hypotheses and provide valid conclusions regarding the relationship between the studied variables.
Results
In this section, the performance of two emulator architectures, a Deep Neural Network (DNN) and a U-Net, in predicting the zonal wind tendency and five additional atmospheric tendencies (meridional wind, temperature, humidity, liquid water, and ice water) is evaluated. The global vertical profiles of the mean and variance of the zonal wind tendency were analyzed using a test subset of 16,002 cells. The results indicate that while both models capture the global mean profile reasonably well, the U-Net outperforms the DNN in terms of both global mean and variance predictions, with a root mean square error (RMSE) of $1.23 \times 10^{-4} \, \text{m s}^{-2}$ compared to the DNN’s $1.48 \times 10^{-4} \, \text{m s}^{-2}$. The U-Net also demonstrates a higher coefficient of determination ($R^2 = 0.63$) than the DNN ($R^2 = 0.46$), indicating better variance capture.
The analysis of the other five tendencies reveals similar trends, with the U-Net consistently yielding better predictions. However, both models struggle to accurately represent variability, particularly at lower vertical levels where the reference data exhibit higher variability. The addition of laplacians as predictors improved the performance of both models, especially for the DNN, although the U-Net maintained superior overall performance. The results highlight the need for further investigation into the factors contributing to the DNN’s underperformance and the potential benefits of integrating physical knowledge into the emulation process. The findings suggest that while both architectures have limitations, the U-Net’s architecture provides a more effective framework for capturing atmospheric tendencies in a global context.
Discussion
In this section, the authors discuss the implementation and evaluation of the ICOLMDZ climate model, focusing on its atmospheric component, phyLMDZ, and the development of a neural network emulator to replicate its physical tendencies. The ICOLMDZ model integrates DYNAMICO, which handles atmospheric dynamics on a low-resolution unstructured grid, and phyLMDZ, which employs a single-column approach for atmospheric physics. The model was tested in two configurations: an idealized aquaplanet setup and a more realistic Atmosphere Modelling Intercomparison Project (AMIP) experiment, both running one-year simulations with outputs every 15 minutes. The input variables for the neural network emulator were derived from the model’s state variables and boundary conditions, while the outputs represented the physical tendencies of key atmospheric variables.
Data preprocessing was crucial for the machine learning process, involving the creation of training, validation, and test datasets, as well as standardization of inputs and outputs to ensure uniform influence during training. The authors explored various neural network architectures, including Deep Neural Networks (DNNs) and U-Nets with residual blocks, to optimize the prediction of subgrid physical tendencies. The performance of these emulators was evaluated using metrics such as Mean Squared Error (MSE) and Root Mean Square Error (RMSE), with a focus on the zonal wind tendency across different latitude bands. The results indicated that while the emulators captured the overall behavior of the zonal wind tendency, they struggled with variance, particularly in the tropics and lower vertical levels, prompting further investigation into the physical processes influencing these discrepancies.