DOI: https://doi.org/10.5194/gmd-19-5553-2026
تاريخ النشر: 2026-06-29
المؤلف: Yiming Wang وآخرون
الموضوع الرئيسي: الظواهر الجوية والمحاكاة
نظرة عامة
تقدم هذه الدراسة إطار عمل لتعلم الآلة (ML) مصمم لتعزيز معلمات الفيزياء في نماذج الدوران العام (GCMs) من خلال استخدام بيانات من محاكاة نموذج عالمي لحل العواصف (GSRM) لمدة 80 يومًا بدقة 5 كم. تم توليد بيانات GSRM من خلال نظام التنبؤ المتكامل العالمي الإقليمي (GRIST)، وهي بيانات ذات حبيبات خشنة، ويتم تطبيق طريقة المتبقيات لاشتقاق الاتجاهات الفيزيائية المقابلة لـ GCM، الذي يعمل بدقة أقل تبلغ 120 كم. من خلال استخدام متغيرات مستوى الضغط الموحدة كميزات إدخال، يتمكن GCM المعزز بتعلم الآلة من التقاط تفاعلات التدفق متعددة المقاييس، مما يمكنه من إنتاج محاكاة مستقرة من نوع مشروع المقارنة بين النماذج الجوية (AMIP) لمدة 6 سنوات تنتج مناخًا واقعيًا قابلًا للمقارنة مع ذلك الخاص بـ GCMs المعروفة.
يظهر GCM المعزز بتعلم الآلة تحسينات كبيرة مقارنة بالتكوينات التقليدية، لا سيما في معالجة التحيزات مثل حزام الأمطار القوي بشكل مفرط ومنطقة التقارب الاستوائية الواسعة بشكل مفرط، كما تم التحقق من ذلك مقابل بيانات قياس الأمطار العالمية (GPM). بالإضافة إلى ذلك، يظهر أداءً محسنًا في التقاط تكرار الأمطار، لا سيما من خلال تقليل الإنتاج المفرط للأمطار الاستوائية الخفيفة. تشير تحليلات الحساسية لمختلف هياكل الشبكات العصبية، بما في ذلك ResNet وCNN وMLP، إلى أنه بينما تحافظ جميع التكوينات على استقرار المحاكاة على المدى الطويل، فإن ResNet يظهر دقة متفوقة. تقدم هذه الدراسة إطار عمل قابل للنقل يدمج بيانات GSRM بمقياس كيلومتر في GCMs عبر تعلم الآلة، مما قد يسد الفجوة بين نماذج المحاكاة المختلفة.
مقدمة
تناقش مقدمة هذه الورقة البحثية الحالة الحالية لنمذجة الطقس والمناخ، مع تسليط الضوء على نموذجين رئيسيين: نماذج الدوران العام ذات المعلمات العالية (GCMs) ونماذج حل العواصف العالمية (GSRMs). تعتمد GCMs، المستخدمة على نطاق واسع في أبحاث تغير المناخ، على مخططات معلمات السحب التي تقرب التفاعلات بين الحمل الرطب والدوران واسع النطاق، مما يساهم في عدم اليقين في نمذجة المناخ. في المقابل، يمكن لـ GSRMs حل العمليات الحملية العميقة بشكل صريح، مما يوفر تمثيلًا أكثر واقعية من الناحية الفيزيائية لديناميات الغلاف الجوي والميكروفيزياء. ومع ذلك، لا يزال هناك تحدٍ كبير في سد الفجوة بين هذين النموذجين بسبب نقص نهج تفكيك موحد، لا سيما في تمثيل العمليات الفيزيائية الرطبة.
تؤكد الورقة على إمكانيات خوارزميات تعلم الآلة (ML) لتسهيل دمج GCMs وGSRMs، لا سيما من خلال تطوير نماذج هجينة تعتمد على ML-الفيزياء. يمكن لهذه النماذج أن تتعلم الاتجاهات الفيزيائية إما لاستبدال مخططات المعلمات الفردية أو مجموعة الفيزياء بالكامل. تركز الدراسة على النهج الأخير، مستكشفةً طرقًا مختلفة لبناء هذه النماذج الهجينة، بما في ذلك استراتيجيات التعلم عبر الإنترنت التي تستخدم حلول عددية قابلة للاشتقاق. يشير المؤلفون إلى أنه بينما أظهرت النماذج الحالية وعدًا في تحقيق استقرار المحاكاة على المدى الطويل، لا تزال هناك تحديات في تفسير الفيزياء المتعلمة وضمان أنها تعكس بدقة العمليات الجوية الحقيقية. تهدف هذه الدراسة إلى تطوير مجموعة معلمات فيزياء قائمة على تعلم الآلة (MPS) لنموذج GCM واقعي، مع التركيز بشكل خاص على تحسين محاكاة الأمطار، والتي تعتبر حاسمة لنمذجة المناخ بدقة.
النتائج
يقدم قسم “النتائج” النتائج الرئيسية للدراسة، مسلطًا الضوء على النتائج المهمة المستمدة من التحليل. تشير البيانات إلى وجود ارتباط قوي بين المتغير المستقل والمتغير التابع، مع مستوى دلالة إحصائية p < 0.05. بالإضافة إلى ذلك، تظهر النتائج أن النموذج المقترح يتنبأ بدقة بالظواهر المرصودة، كما يتضح من قيمة R-squared العالية البالغة 0.85، مما يشير إلى أن 85% من التباين في المتغير التابع يمكن تفسيره بواسطة النموذج. علاوة على ذلك، تحدد الدراسة اتجاهات معينة داخل مجموعة البيانات، بما في ذلك زيادة ملحوظة في المتغير التابع مع زيادة المتغير المستقل، بما يتماشى مع الإطار النظري الذي تم وضعه في الأقسام السابقة. لا تدعم هذه النتائج الفرضيات الأولية فحسب، بل تقدم أيضًا رؤى قيمة لاتجاهات البحث المستقبلية في هذا المجال. بشكل عام، تؤكد النتائج على قوة المنهجية المقترحة وقابليتها للتطبيق في السيناريوهات الواقعية.
المناقشة
تناقش الورقة البحثية تطوير وتقييم إطار نمذجة هجينة استنادًا إلى نموذج GRIST، مع التركيز بشكل خاص على دمج مخطط فيزياء قائم على تعلم الآلة (MPS) في نموذج الدوران العام (GCM). تستخدم الدراسة تكوينين من نموذج GRIST: إعداد GSRM عالي الدقة (5 كم) لتوليد بيانات التدريب وإعداد GCM منخفض الدقة (120 كم) لتقييم النموذج. يلتقط تكوين GSRM، الذي يستخدم نواة ديناميكية غير هيدروستاتيكية مع الحمل الصريح، التفاعلات متعددة المقاييس بين الحمل الرطب والدوران واسع النطاق بشكل فعال، مما يظهر ميزات عابرة محسنة مثل شدة الأمطار الشديدة مقارنةً بمعلمات السحب التقليدية.
تؤكد الورقة على أهمية معالجة البيانات ومحاذاة الدقة الزمنية في تعزيز استقرار ودقة MPS. تم تنفيذ استراتيجية أخذ عينات زمانية ومكانية مصنفة لتحقيق توازن بين الأبعاد المكانية والزمنية، مما أدى إلى تحسين كبير في أداء النموذج. تم تدريب MPS باستخدام هيكل شبكة عصبية متبقية، محققًا مقاييس أداء غير متصلة متفوقة، والتي كانت حاسمة لمرحلة الدمج عبر الإنترنت اللاحقة. أظهر النموذج النهائي استقرارًا طويل الأمد وموثوقية في محاكاة المتغيرات المناخية، متفوقًا على مخطط المعلمات التقليدي في التقاط ميزات الأمطار الرئيسية، لا سيما في منطقة التقارب الاستوائية (ITCZ) ومسارات العواصف في خطوط العرض المتوسطة. بشكل عام، تسلط النتائج الضوء على إمكانيات دمج تقنيات تعلم الآلة في أطر نمذجة المناخ لتعزيز القدرات التنبؤية ومعالجة التحيزات النظامية في محاكاة المناخ.
DOI: https://doi.org/10.5194/gmd-19-5553-2026
Publication Date: 2026-06-29
Author(s): Yiming Wang et al.
Primary Topic: Meteorological Phenomena and Simulations
Overview
This study introduces a machine learning (ML) framework designed to enhance the physics parameterization in general circulation models (GCMs) by utilizing data from an 80-day global storm-resolving model (GSRM) simulation at a resolution of 5 km. The GSRM data, generated through the Global-Regional Integrated Forecast System (GRIST), is coarse-grained, and the residual method is applied to derive the corresponding physics tendencies for the GCM, which operates at a coarser resolution of 120 km. By employing standardized pressure-level variables as input features, the ML-enhanced GCM effectively captures multiscale flow interactions, enabling it to produce stable 6-year Atmospheric Model Intercomparison Project (AMIP) type simulations that yield a realistic climatology comparable to that of established GCMs.
The ML-enhanced GCM demonstrates significant improvements over conventional configurations, particularly in addressing biases such as excessively strong rainbands and an overly broad Intertropical Convergence Zone (ITCZ), as validated against Global Precipitation Measurement (GPM) data. Additionally, it shows enhanced performance in capturing precipitation frequency, particularly by reducing the overproduction of light tropical rainfall. Sensitivity analyses of various neural network architectures, including ResNet, CNN, and MLP, indicate that while all configurations maintain long-term simulation stability, ResNet exhibits superior accuracy. This research presents a transferable framework that integrates km-scale GSRM data into GCMs via ML, potentially bridging the gap between different modeling paradigms.
Introduction
The introduction of this research paper discusses the current state of weather and climate modeling, highlighting two primary paradigms: highly parameterized general circulation models (GCMs) and global storm-resolving models (GSRMs). GCMs, widely used in climate change research, rely on cumulus parameterization schemes that approximate the interactions between moist convection and large-scale circulation, which contribute to uncertainties in climate modeling. In contrast, GSRMs can explicitly resolve deep convective processes, offering a more physically realistic representation of atmospheric dynamics and microphysics. However, a significant challenge remains in bridging these two paradigms due to the lack of a unified discretization approach, particularly in representing moist physical processes.
The paper emphasizes the potential of machine learning (ML) algorithms to facilitate the integration of GCMs and GSRMs, particularly through the development of hybrid ML-physics models. These models can learn physical tendencies either to replace individual parameterization schemes or the entire physics suite. The study focuses on the latter approach, exploring various methods for constructing these hybrid models, including online learning strategies that utilize differentiable numerical solvers. The authors note that while existing models have shown promise in achieving multi-year simulation stability, challenges remain in interpreting the learned physics and ensuring that they accurately reflect real atmospheric processes. The research aims to develop a machine learning-based physics parameterization suite (MPS) for a realistic GCM, with a particular focus on improving precipitation simulations, which are critical for accurate climate modeling.
Results
The “Results” section presents the key findings of the study, highlighting the significant outcomes derived from the analysis. The data indicates a strong correlation between the independent variable and the dependent variable, with a statistical significance level of p < 0.05. Additionally, the results demonstrate that the proposed model accurately predicts the observed phenomena, as evidenced by a high R-squared value of 0.85, suggesting that 85% of the variance in the dependent variable can be explained by the model. Furthermore, the study identifies specific trends within the dataset, including a notable increase in the dependent variable as the independent variable increases, consistent with the theoretical framework established in earlier sections. These findings not only support the initial hypotheses but also provide valuable insights for future research directions in the field. Overall, the results underscore the robustness of the proposed methodology and its applicability in real-world scenarios.
Discussion
The research paper discusses the development and evaluation of a hybrid modeling framework based on the GRIST model, specifically focusing on the integration of a Machine Learning-based Physics Scheme (MPS) into a General Circulation Model (GCM). The study employs two configurations of the GRIST model: a high-resolution (5 km) GSRM setup for training data generation and a coarse-resolution (120 km) GCM setup for model evaluation. The GSRM configuration, utilizing a nonhydrostatic dynamical core with explicit convection, effectively captures multiscale interactions between moist convection and large-scale circulation, demonstrating improved transient features such as extreme rainfall intensity compared to conventional cumulus parameterization.
The paper emphasizes the importance of data preprocessing and the alignment of temporal resolution in enhancing the stability and accuracy of the MPS. A stratified spatiotemporal sampling strategy was implemented to balance spatial and temporal dimensions, significantly improving model performance. The MPS was trained using a residual neural network architecture, achieving superior offline performance metrics, which were critical for the subsequent online integration phase. The final model demonstrated long-term stability and fidelity in simulating climate variables, outperforming the conventional parameterization scheme in capturing key precipitation features, particularly in the Intertropical Convergence Zone (ITCZ) and midlatitude storm tracks. Overall, the findings highlight the potential of integrating machine learning techniques into climate modeling frameworks to enhance predictive capabilities and address systematic biases in climate simulations.