確率的パラメータ化のための機械学習：ローレンツ '96 モデルにおける生成的敵対ネットワーク

要旨 確率的パラメータ化は、未解決のサブグリッドプロセスの表現における不確実性を、可能なサブグリッド強制の分布からサンプリングすることで考慮します。一部の既存の確率的パラメータ化は、不確実性を特徴づけるためにデータ駆動型アプローチを利用していますが、これらのアプローチはスケーラビリティを制限する可能性のある重要な構造的仮定を必要とします。ニューラルネットワークを含む機械学習モデルは、広範な分布を表現し、多数の入力とサブグリッド強制との間の最適化されたマッピングを構築できます。最近の機械学習パラメータ化に関する研究は、決定論的パラメータ化のみに焦点を当ててきました。本研究では、生成的敵対ネットワーク（GAN）機械学習フレームワークを使用して確率的パラメータ化を開発します。GAN確率的パラメータ化は、パラメータ化とデータ同化技術を評価するための一般的な基準モデルであるローレンツ '96 モデルからの出力でトレーニングされ、評価されます。モデルの入力ノイズを特性づける異なる方法を評価し、気象および気候の時間スケールでGANパラメータ化を使用したモデル実行を行います。一部のGAN構成は、両方の時間スケールにおいてベースラインの特注パラメータ化よりも優れた性能を発揮し、ネットワークはローレンツ '96 系の時間空間相関とレジームを密接に再現します。また、一般的にスキルフルな予測を生成するモデルは、最も優れた気候シミュレーションに関連していることも発見しました。