Melhorando o viés e a variabilidade climática por meio de correções de erro de modelo dependentes do estado baseadas em CNN

Resumo Desenvolvemos uma abordagem para corrigir vieses na componente atmosférica do Modelo de Sistema Terrestre da Comunidade, utilizando redes neurais convolucionais (CNNs) para criar uma parametrização de modelo corretiva para redução de viés online. Ao prever os incrementos de ajuste sistemáticos derivados do ajuste em direção à reanálise ERA5, nosso método ajusta dinamicamente o estado do modelo, superando correções tradicionais baseadas apenas em incrementos climatológicos. Nossos resultados mostram melhorias significativas no erro quadrático médio de todos os parâmetros de estado, com os vieses de precipitação terrestre reduzidos em 25% a 35%, dependendo da estação. Notavelmente, observamos uma melhoria na Oscilação Madden-Julian (MJO), onde o modelo corrigido por CNN propaga com sucesso a MJO através do continente marítimo, um desafio para muitos modelos climáticos atuais. Este avanço destaca o potencial do uso de CNNs para correção de modelo em tempo real, fornecendo uma estrutura robusta para melhorar as simulações climáticas. Este avanço ressalta o potencial das CNNs para correção de modelo em tempo real, melhorando simulações climáticas e aproximando as dinâmicas observadas e simuladas.