.png){kind=icon}
返回
Data-Driven Probabilistic Air-Sea Flux Parameterization
.png){kind=icon}
OA
AI
DOI：10.1029/2025GL120472.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
精确量化海气通量对于理解海气相互作用和改进耦合天气与气候模型具有重要意义。本研究引入一种概率框架来表征海气通量的高度可变性，这是确定性体积算法中所缺失的。假设输入变量服从高斯分布，我们使用人工神经网络和涡度协方差测量数据，通过最小化负对数似然损失来估计均值和方差。训练后的神经网络为现有体积算法提供替代的通量均值估计，并量化均值估计周围的 uncertainty。可通过从预测分布中采样构建海气湍流通量的随机参数化。在单柱强迫上层海洋模型的测试表明，通量算法的变化会影响海表温度和混合层深度的季节性变化。随机运行中的集合离散度在春季再层化期间最为显著。
Keyword:
air-sea turbulent fluxes
stochastic parameterization
machine learning
uncertainty quantification
bulk algorithm
single-column model
期刊
IF:
4.6
论文数:
2.5K
被引数:
13.6W
机构
引用论文
Bulk parameterization of air-sea fluxes for Tropical Ocean Global Atmosphere Coupled Ocean Atmosphere Response Experiment热带海洋全球大气耦合海洋大气响应实验的气海通量整体参数化OAAI
OAAI分享收藏Ocean Surface Flux Algorithm Effects on Tropical Indo‐Pacific Intraseasonal Precipitation海洋表面通量算法对热带印度洋-太平洋次季节性降水的影响
OAAI
OAAI分享收藏Which bulk aerodynamic algorithms are least problematic in computing ocean surface turbulent fluxes?OAAI
OAAI分享收藏Second-order turbulence closure models for geophysical boundary layers. A review of recent work
PREAI
分享收藏A New Paradigm for Observing and Modeling of Air-Sea Interactions to Advance Earth System Prediction.png)
OAAI
IF0
OAAI分享收藏
查看更多内容