Uma Correção de Viés de Aprendizado de Máquina em um Ambiente em Larga Escala de Sistemas Meteorológicos de Alto Impacto no Modelo Atmosférico E3SM

Resumo Processos dinâmicos e termodinâmicos em larga escala são motores ambientais comuns de sistemas meteorológicos de alto impacto que causam eventos climáticos extremos. No entanto, tais condições ambientais em larga escala frequentemente apresentam viéses sistemáticos em simulações climáticas, criando desafios para avaliar sistemas meteorológicos de alto impacto e eventos climáticos extremos. Neste artigo, uma abordagem de aprendizado de máquina (ML) foi empregada para corrigir o viés dos ventos, temperaturas e humidades em larga escala simulados pelo componente atmosférico do Modelo do Sistema da Terra Exascale (E3SM) com resolução de ∼1°. A utilidade da abordagem de ML para a análise de clima extremo foi demonstrada com foco em três sistemas meteorológicos de alto impacto, incluindo ciclones tropicais (TCs), ciclones extratropicais (ETCs) e rios atmosféricos (ARs). Mostramos que o modelo de ML pode reduzir efetivamente o viés climático nos ventos, temperaturas e humidades em larga escala, preservando suas respostas a perturbações de mudança climática impostas. A correção de viés foi encontrada para melhorar diretamente o transporte de vapor d'água associado aos ARs e as representações de fluxos termodinâmicos associados aos ETCs. Quando os ventos em larga escala corrigidos por viés são usados para conduzir um modelo de previsão de trajetória de TC sintético sobre a bacia do Atlântico, a densidade da trajetória do TC resultante concorda melhor com a do modelo de trajetória de TC dirigido por ventos observados. Além disso, o modelo de ML interfere insignificativamente com os sinais médios de mudança climática dos ambientes de tempestades em larga escala, bem como a ocorrência e intensidade de três sistemas meteorológicos. Este estudo sugere que a abordagem de ML proposta pode ser usada para melhorar a redução de escala de eventos climáticos extremos, fornecendo ambientes de tempestades em larga escala mais realistas simulados por modelos climáticos de baixa resolução.