AI 與世界的難題 · 地球與氣候科學 · arXiv · 2026-10-21
透過實作神經網路深對流方案，改善社群大氣模式的降水變異性
原標題: Improved Precipitation Variability in the Community Atmosphere Model through Implementation of a Neural-Network Deep Convection Scheme
深對流方案仍是全球氣候模式不確定性的主要來源,如何在維持物理一致性與數值穩定的同時以資料驅動的替代方案取而代之,是一項懸而未決的挑戰。作者提出一種混合式 CAM6 配置:以風暴解析全球模式 gSAM 的粗粒化輸出訓練一個全連接深度神經網路來推導次網格尺度的對流通量與傾向,藉此取代 Zhang-McFarlane 深對流方案,同時輻射、亂流及其他雲過程維持不變。該網路在守恆能量與水氣的情況下穩定運行超過十年,在未重新調校其餘參數化的情況下產出大致符合實際的氣候形態,顯著降低小雨與極端降水的偏差,並將熱帶陸地降水的日變化從虛假的正午峰值轉移到觀測到的午後較晚時段峰值。