Key points are not available for this paper at this time.
الملخص: تقتصر الملاحظات المحيطية على معدلات العينة، بينما تقتصر نماذج المحيط على دقة محدودة ومعاملات لزوجة وانتشار مرتفعة. لذلك، تفتقر كل من البيانات الناتجة عن الملاحظات ونماذج المحيط إلى المعلومات على المقاييس الصغيرة والسريعة. هناك حاجة إلى طرق لاستخراج المعلومات أو إجراء الاستقراء أو زيادة حجم مجموعات البيانات المحيطية الموجودة، لحساب أو تمثيل العمليات الفيزيائية غير المحلولة. هنا نستخدم التعلم الآلي للاستفادة من الملاحظات وبيانات النموذج من خلال التنبؤ بالعمليات المتقلبة غير المحلولة وحقول التدفق تحت السطح. كإثبات لمفهومنا، نقوم بتدريب الشبكات العصبية الالتفافية على بيانات منخفضة الجودة من نموذج محيطي شبه جيستروفيك عالي الدقة. نوضح أن الشبكات العصبية الالتفافية تكرر بنجاح التغيرات الزمانية والمكانية لقوى الزخم الناتجة عن التدوير تحت الشبكة، وقادرة على التعميم على مجموعة من السلوكيات الديناميكية، ويمكن إجبارها على احترام الحفاظ على زخم الكتلة العالمي. يمكن تقليص بيانات تدريب الشبكات العصبية الالتفافية لدينا إلى 10-20% من الحجم الأصلي دون انخفاض كبير في الدقة. كما نظهر أن حقل التدفق تحت السطح يمكن التنبؤ به باستخدام معلومات فقط على السطح (على سبيل المثال، باستخدام بيانات ارتفاع السواتل فقط). تشير نتائجنا إلى أنه يمكن استغلال الأساليب المعتمدة على البيانات للتنبؤ بكل من العمليات تحت الشبكة والعمليات واسعة النطاق، مع احترام المبادئ الفيزيائية، حتى عند محدودية البيانات في منطقة معينة أو تأثير خارجي. تقدم دراستنا المتعمقة أدلة على التصميم الناجح للمعايرات لفوضى المحيط للتنفيذ في نماذج المناخ ذات الدقة المنخفضة.
درس بولتون وآخرون (الثلاثاء) هذا السؤال.