ИИ и сложнейшие проблемы мира · Науки о Земле и климате · arXiv · 2026-10-21
Улучшенная изменчивость осадков в Community Atmosphere Model благодаря внедрению нейросетевой схемы глубокой конвекции
Оригинальное название: Improved Precipitation Variability in the Community Atmosphere Model through Implementation of a Neural-Network Deep Convection Scheme
Параметризации глубокой конвекции остаются основным источником неопределенности в глобальных климатических моделях, а замена их на основанные на данных альтернативы при сохранении физической согласованности и численной устойчивости остается открытой проблемой. Авторы представляют гибридную конфигурацию CAM6, в которой полносвязная глубокая нейронная сеть, обученная на огрубленном выходе глобальной модели gSAM, разрешающей штормы, для вычисления подсеточных конвективных потоков и тенденций, заменяет схему глубокой конвекции Zhang-McFarlane, тогда как радиация, турбулентность и другие облачные процессы остаются неизменными. Сеть стабильно работает более десяти лет, сохраняя энергию и влагу, дает в целом реалистичную климатологию без перенастройки остальных параметризаций, заметно снижает смещения по слабым и экстремальным осадкам и сдвигает суточный ход осадков над тропической сушей от ложного полуденного пика к наблюдаемому пику ближе к вечеру.