.png){kind=icon}
返回
Reconstructing historical climate fields with deep learning
.png){kind=icon}
OA
AI
DOI：10.1126/sciadv.adp0558.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
气候场历史记录通常因缺少测量数据而稀疏，尤其是在大规模卫星任务引入之前。已有多种统计和模型方法被用于填补数据空缺并重建历史记录。本文采用一种基于傅里叶卷积的深度学习方法，该方法在数值气候模型输出上训练，用于重建历史气候场。通过这种方法，我们能够以极少的给定信息真实地重建大面积且不规则的数据缺失区域，并再现已知的气候事件，如强厄尔尼诺（El Niño）或拉尼娜（La Niña）事件。我们的方法优于广泛使用的统计克里金方法，以及其他近期机器学习方法。该模型能泛化至比训练时更高的分辨率，并可用于多种气候场。此外，它还允许填充在模型训练过程中从未见过的掩模。
Keyword:
EARTH
SERIES
期刊
IF:
12.5
论文数:
2.0W
被引数:
18.1W
机构
引用论文
Uncertainties in critical slowing down indicators of observation-based fingerprints of the Atlantic Overturning Circulation大西洋翻转环流基于观测指纹的关键减缓指标的不确定性.png)
NATURE COMMUNICATIONS
OAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏分享收藏Physics-Inspired Adaptions to Low-Parameter Neural Network Weather Forecast Systems基于物理启发的低参数神经网络天气预测系统OAAI
OAAI分享收藏
查看更多内容