ArchesClimate: 与流匹配的概率十年集合生成

于红博

摘要: 气候预测存在与气候系统及其相互作用组件相关的不确定性。量化这些不确定性的典型方法是使用气候模型在不同初始条件下创建重复模拟的集合。由于这些模拟的复杂性，生成这样的预测集合是计算昂贵的。在这项工作中，我们介绍了基于深度学习的气候模型仿真器ArchesClimate，旨在降低这种成本。ArchesClimate在IPS-CM6A-LR气候模型的十年hindcasts上进行训练，空间分辨率约为2.5x1.25度。我们训练了一个流匹配模型，跟随ArchesWeatherGen，我们调整它以预测近期气候。一旦训练完成，该模型在一个月的时间提前生成状态，并可用于自回归地模拟任意长度的气候模型模拟。我们展示了在最多10年内，这些生成是稳定且物理上一致的。我们还表明，对于几个重要的气候变量，ArchesClimate生成的模拟与IPSL模型可互换。这项工作表明，气候模型仿真器可能显著降低气候模型模拟的成本。

更新时间: 2025-09-19 12:53:24

领域: physics.ao-ph,cs.AI

下载: http://arxiv.org/abs/2509.15942v1