Key points are not available for this paper at this time.
الملخص: تعتبر طريقة واعدة لتحسين تمثيل السحب في نماذج المناخ، وبالتالي في توقعات المناخ، هي تطوير برمجات تعتمد على التعلم الآلي باستخدام مخرجات نماذج العواصف العالمية. في حين يمكن أن تحقق الشبكات العصبية (NNs) أداءً متفوقًا ضمن توزيع التدريبات الخاصة بها، إلا أنها قد تقدم توقعات غير موثوقة خارج هذا النطاق. علاوة على ذلك، غالبًا ما تتطلب أدوات تفسير لاحقة. لتجنب هذه القيود، نجمع بين الانحدار الرمزي، واختيار الميزات المتتابعة، والقيود الفيزيائية في إطار نمذجة هرمي. يسمح لنا هذا الإطار باكتشاف معادلات جديدة تشخص تغطية السحب من متغيرات خشنة لنماذج محاكاة العواصف العالمية. هذه المعادلات التحليلية قابلة للتفسير من حيث البنية وسهلة النقل إلى شبكات أو نماذج مناخ أخرى. أفضل معادلة لدينا توازن بين الأداء والتعقيد، محققة أداءً يقارن بأداء NNs (R² = 0.94) بينما تبقى بسيطة (مع 11 معامل قابل للتدريب فقط). تعيد إنتاج توزيعات تغطية السحب بدقة أكبر من نظام Xu-Randall عبر جميع أنظمة السحب (مسافات هيلينجر < 0.09)، وتتنافس مع NNs في الأنظمة الغنية بالكوندنسات. عند تطبيقها وضبطها لتحليل ERA5، تظهر المعادلة قابلية نقل فائقة إلى بيانات جديدة مقارنة بجميع أنظمة تغطية السحب المثلى الأخرى. توضح نتائجنا فعالية الانحدار الرمزي في اكتشاف معادلات قابلة للتفسير ومتوافقة مع الفيزياء وغير خطية لبرمجة تغطية السحب.
درس غراوندنر وآخرون (الخميس) هذا السؤال.