.png){kind=icon}
返回
Data-driven global ocean model resolving atmospherically forced ocean dynamics
.png){kind=icon}
OA
AI
DOI：10.1126/sciadv.aed1225.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
人工智能已推动全球天气预报的进步，在准确性和计算效率上均优于传统数值模型。然而，将预测延伸至次季节时间尺度以外需要开发能够真实模拟大气强迫下复杂海洋响应的基于深度学习（DL）的海洋-大气耦合模型。本研究提出KIST-Ocean，一种基于DL的全球三维海洋环流模型。全面评估显示该模型具有稳健的海洋模拟能力和高效性。此外，它再现了海洋响应，如基尔霍夫波和罗斯贝波的传播，以及风应力旋度引起的垂直运动，展示了其表征气候现象（包括厄尔尼诺-南方振荡）背后关键大气强迫海洋动力学的能力。这些发现通过展示其捕捉基本海洋-大气关系的能力，增强了人们对基于DL的全球天气和气候模型的信心。在此基础上，本研究为将DL建模框架扩展至综合地球系统模拟铺平了道路，从而为提升长期气候预测能力提供了巨大潜力。
期刊
IF:
12.5
论文数:
2.1W
被引数:
18.1W
机构
引用论文
Deser, C.; Alexander, M.A.; Timlin, M.S. Understanding the Persistence of Sea Surface Temperature Anomalies in Midlatitudes. J. Clim. 2003, 16, 57–72. [Google Scholar] [CrossRef]Deser, C.; Alexander, M.A.; Timlin, M.S. 理解中纬度海表温度异常的持续性。J. Clim. 2003, 16, 57–72. [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏分享收藏Improvements of the Daily Optimum Interpolation Sea Surface Temperature (DOISST) Version 2.1每日最佳插值海面温度 (DOISST) 2.1版的改进OAAI
OAAI分享收藏A machine learning model that outperforms conventional global subseasonal forecast models一种优于传统全球亚季节预测模型的机器学习模型NATURE COMMUNICATIONS
OAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏The challenge of land in a neural network ocean modelFurner, R.; Haynes, P.; Jones, D.C.; Munday, D.; Paige, B.; Shuckburgh, E. 神经网络海洋模型中的陆地挑战. Environ. Data Sci. 2024, 3, e40. [Google Scholar] [CrossRef]
PREAI
分享收藏
查看更多内容