Rediscover Climate Change during Global Warming Slowdown via Wasserstein Stability Analysis
本文提出Wasserstein稳定性分析方法,通过检测概率分布函数变化而非均值趋势,重新发现全球变暖减缓期的极端温度偏移和海冰约束减弱现象。
2023-05-28 physics.ao-ph stat.AP
REME -- Renewable Energy and Materials Economy -- The Path to Energy Security, Prosperity and Climate Stability
可再生能源和材料经济(REME)被提议作为解决气候变化威胁的方案。REME模拟自然,利用水、大气中的CO $_2$和可再生能源作为输入,生产碳中性液体燃料和化学品以及碳负材料。通过与自然和谐相处,REME在经济发展和气候变化保护之间产生了积极的反馈。在REME中,反馈驱动的经济增长加速使气候变化威胁能够及时得到解决。这也是一种具有成本效益的保护,因为它通过将碳基建筑材料中从空气中去除的碳货币化来进行螯合。因此,应对气候变化威胁不是经济成本,而是REME驱动的繁荣的结果。
2020-12-29 econ.GN physics.ao-ph physics.geo-ph
Time persistence of climate and carbon flux networks
本文基于Jaccard指数构建网络时间持续性分析框架,利用2000-2019年中国、美国和欧洲数据研究气候与碳通量网络的跨年相似性,发现网络总体持续稳定,并揭示中国碳通量网络在特定年份的异常变化与碳减排政策相关。
2024-02-24 physics.ao-ph physics.data-an
Influence of autocorrelation on the topology of the climate network
对气候网络中的联系的不同定义可能导致相当不同的网络拓扑结构。我们使用两种常用的链接定义,从全球不同地理位置的表层大气温度的气候记录构建了一个网络。利用去趋势波动分析,洗牌替代品和海洋和大陆记录的分离分析,我们发现,气候网络的结构的主要影响之一是由于记录的自相关性,这可能会引入虚假的链接。这也许可以解释为什么不同的方法可能导致不同的气候网络拓扑结构。
2014-07-23 physics.ao-ph physics.data-an physics.soc-ph
Local clustering coefficient based on three-way partial correlations in climate networks as a new marker of tropical cyclone
我们介绍了一种新的网络标记气候网络分析。它是基于加权相关网络的局部聚类系数的一个可用的特殊定义,这是以前在神经科学的背景下,旨在补偿间接相互作用所造成的无信息的相关性。我们修改这个定义,进一步取代皮尔逊的成对相关系数和皮尔逊的三向偏相关系数由各自的肯德尔的秩相关。这减少了计算相关性所需的统计样本量,从而可以使用更短的时间窗口,从而缩短实时气候网络分析的响应时间。我们比较这个建议的网络标记,以传统的局部聚类系数的基础上,通过阈值的相关矩阵得到的未加权网络。我们展示了几个例子,新的标记被发现是更好地关联到热带气旋比未加权的本地聚类系数。
2021-02-28 physics.ao-ph physics.data-an
Climate Stability of Habitable Earth-like Planets
碳-硅酸盐循环通过$CO_2$火山释气速率和岩石风化的行星摄入速率之间的平衡,调节地质时标上类地行星大气中$CO_2$含量。它被认为是地球上的一个有效的气候恒温器,并延伸到其他可居住的行星。然而,如果风化率随着大气中$CO_2$含量的增加而增加,正如在缺乏陆地维管植物的行星上所预期的那样,碳硅酸盐循环反馈可能会受到严重限制。在这里,我们表明,类地行星接收的阳光比现在的地球少,可能不再拥有稳定的温暖气候,而是在不稳定的冰川和冰川消退的气候状态之间反复循环。这对在附近恒星的宜居带中寻找系外行星上的生命具有启示意义。
2014-11-20 astro-ph.EP physics.ao-ph physics.geo-ph
A climate network-based index to discriminate different types of El Niño and La Niña
厄尔尼诺表现出不同的东太平洋(EP)和中太平洋(CP)类型,它们通常但不总是一致地通过赤道气候变率的不同特征相互区分。在这里,我们提出了一个基于不断发展的气候网络的指数,通过利用标量值不断发展的气候网络措施,量化厄尔尼诺相关遥相关的空间定位和分散,客观地区分这两种口味。我们的指数在EP事件期间显示出一个尖峰(高定位),而在CP事件期间(较大的离散度),它仍然接近正常时期观察到的基线。与以前的分类方案相比,我们的方法特别考虑了厄尔尼诺的全球影响。我们确认了1951年至2014年最近的厄尔尼诺分类,并为这些案例分配了类型,这些案例是以前的工作产生了模糊的结果。最后,我们研究了拉尼娜事件,并证明我们的指数提供了类似的歧视分为两种类型。
2016-04-15 physics.ao-ph physics.data-an
On the Effects of Lag-Times in Networks Constructed from Similarities of Monthly Fluctuations of Climate Fields
复杂的网络框架已成功地用于分析气候数据,例如,使人们更好地了解厄尔尼诺或拉尼娜年可预测性降低的机制。尽管气候网络引起了很大的兴趣,但仍有几个问题有待研究。在这里,我们专注于周期性太阳强迫的影响,通过每月平均地表气温(SAT)异常的相似性构建的气候网络。我们移动每对节点中的时间序列,以便叠加它们的季节周期。通过这种方式,当两个节点位于不同的半球,我们能够量化的SAT异常在冬季和夏季的相似性。我们发现,数据时移不会显着修改网络区域加权连接(AWC),这是每个节点连接到地球的总面积的分数。这种意想不到的网络属性可以从数据时移如何修改连接不同半球地理区域的链接强度以及这些修改如何通过平均AWC来消除来理解。
2013-05-29 physics.ao-ph physics.data-an
The backbone of the climate network
利用时间序列分析中的非线性互信息和复杂网络理论中的介数中心性,提出了一种从时空动力系统产生的数据中重构和分析复杂网络的方法.我们发现,这种方法揭示了丰富的内部结构,在复杂的气候网络再分析和模式地面气温数据。我们的新方法揭示了高能量流的特殊波浪状结构,我们与全球表面洋流有关。这表明,海洋海面环流在长期平均(模式运行140年,再分析数据60年)耦合和稳定全球温度场方面发挥着重要作用。我们发现,这些结果不能得到使用经典的线性方法的多变量数据分析,并已确保其鲁棒性,通过密集的显着性检验。
2010-02-10 physics.ao-ph physics.data-an
A Low Order Theory of Arctic Sea Ice Stability
我们分析了低阶耦合海冰和气候模式的稳定性,并提取了作为温室气体强迫函数的响应时间尺度的基本物理。在目前的气候条件下,稳定性由长波辐射驱动的热传导控制。然而,随着温室气体强迫的增加和冰盖的衰减,冰-气反馈的不稳定影响与长波稳定作用是同等重要的。两者都是季节性的相位和系统变暖的季节性冰的状态,这些影响,这是气候状态之间的分歧,结合表现出“放缓”,延长内在的松弛时间尺度从2年到5年。
2011-09-15 physics.ao-ph physics.geo-ph
The Probabilistic Backbone of Data-Driven Complex Networks: An example in Climate
关联网络(CN)在其网络拓扑中固有地遭受冗余信息。另一方面,贝叶斯网络(BN)仅包括非冗余信息(从概率的角度来看),从而导致可以从中提取可概括的物理特征的稀疏拓扑。我们提倡使用BN来构造数据驱动的复杂网络,因为它们可以被视为底层复杂系统的概率骨干。结果显示在一个全球气候数据集的手。
2020-11-02 physics.ao-ph physics.data-an stat.ML
The Emergence of El-Niño as an Autonomous Component in the Climate Network
我们构建并分析了一个气候网络,它代表了不同地理区域气候的相互依赖结构,并发现该网络以独特的方式响应厄尔尼诺事件。分析气候网络的动态表明,当厄尔尼诺事件开始时,厄尔尼诺盆地部分失去了对周围环境的影响。通常在三个月后,这种影响会恢复,而盆地几乎失去了对周围环境的所有依赖,变成了\textit{autonomous}。形成一个自治盆地是理解上述看似矛盾的现象所缺少的一环-注意到厄尔尼诺期间气候网络相互依存关系的减弱以及厄尔尼诺盆地内部异常现象对全球气候系统的已知影响。
2010-10-13 physics.ao-ph
Global Stability Properties of the Climate: Melancholia States, Invariant Measures, and Phase Transitions
对于大范围的太阳辐射值,地球至少有两个吸引状态,对应于竞争的气候。温暖的气候类似于现在的气候;雪球气候的特点是全球冰川和条件,几乎不能支持生活型。古气候证据表明,在过去,我们的星球在这两种状态之间翻转。造成这种不稳定性的主要物理机制是冰-水反馈。在以前的工作中,我们定义了两种气候之间的忧郁状态。这种状态嵌入在两个吸引盆地之间的边界上,并以广泛的冰川作用为特征,一直延伸到相对低的纬度。在这里,我们探索的全球稳定性的系统引入随机扰动调制的强度入射太阳辐射。我们观察到噪声引起的竞争盆地之间的吸引力的过渡。在弱噪声限制下,大偏差定律定义了不变测度、逃逸时间的统计和称为瞬子的典型逃逸路径。通过构造经验的瞬子,我们表明,忧郁状态是噪声诱导的过渡的网关。在多稳定性的区域中,在零噪声限制下,该措施只支持竞争吸引子之一。对于太阳辐照度的低(高)值,极限测量是雪球(温暖)气候。这两种状态之间的转换对应于系统中的一阶相变。我们提出的框架似乎是复杂的多稳态系统的研究一般相关。最后,我们提出了一种新的方法来构建忧郁症国家从直接的数值模拟,黑色的边缘跟踪算法提供了一个可能的替代方案。
2020-03-11 astro-ph.EP cond-mat.stat-mech nlin.CD
Radiatively-Cooled Moist Convection under an Idealised Climate Change Scenario: Linear Analysis
本文通过扩展 Rainy-Bénard 模型并引入辐射冷却、地表温湿条件和顶部湿假绝热边界,结合 CAPE 计算与线性稳定性分析,提出 Rainy 数等新参数,揭示气候变化下湿对流与降水动力学及尺度的变化规律。
2025-04-08 physics.ao-ph physics.flu-dyn
Evaluating Skill and Stability of ArchesWeather and ArchesWeatherGen under Multi-Decadal Climate Simulations
Inria Paris(巴黎国家信息与自动化研究所);Google DeepMind(谷歌DeepMind);Otto-von-Guericke-University Magdeburg(马格德堡奥托·冯·格里克大学);University of Potsdam(波茨坦大学);European Centre for Medium-Range Weather Forecasting(欧洲中期天气预报中心);University of Colorado Boulder(科罗拉多大学博尔德分校)
本研究将两个原本用于天气预报的机器学习模型 ArchesWeather(确定性)和 ArchesWeatherGen(概率流匹配)改造为强迫大气模型,通过月平均海表温度和海水覆盖作为边界条件,遵循 AIMIP Phase 1 协议,评估其多年代际气候模拟能力,发现它们能产生稳定的长期气候模拟、稳定的年循环,并捕捉许多气候变量的漂移。
2026-08-19 cs.AI physics.ao-ph
Basin stability and limit cycles in a conceptual model for climate tipping cascades
本研究构建了包含五个气候临界元素的概念模型,通过盆地稳定性与分岔分析发现大型冰盖对地球系统恢复力至关重要,并揭示了格陵兰冰盖与AMOC间因负反馈产生的极限环现象。
2020-11-10 physics.ao-ph physics.comp-ph physics.geo-ph
Precursors of the El Niño Phenomenon: A climate network analysis
查明气候现象的前兆具有巨大的实际意义。最近的工作建立了一个基于地面气温数据的气候网络,以分析厄尔尼诺现象。我们利用网络中的不连续渗透过渡之前发生的微转变以及其他网络量来识别厄尔尼诺事件的一组可靠的前兆。这些前兆确定了1979年至2018年期间发生的12次厄尔尼诺事件中的9次,提前时间从6到10个月不等。我们还在数据中发现了临界事件的指标。
2020-02-03 physics.ao-ph
Climate network and complexity based El Niño forecast for 2022
厄尔尼诺南方涛动(ENSO)是全球气候年际变化的最重要驱动因素,可在全球各地引发极端天气事件和灾害。最近,我们制定了两种办法来及早预报厄尔尼诺现象。基于气候网络的方法可以提前一年预测厄尔尼诺事件的发生。基于复杂性的方法还可以预测前一日历年即将发生的厄尔尼诺现象的规模。在这里,我们传达了这两种方法对2022年的预测。
2022-03-30 physics.ao-ph
Circumpolar ocean stability on Mars 3 Gy ago
研究利用GCM模拟提出,30亿年前火星可在1 bar含10% H2的CO2大气下形成冷湿气候,使环极地海洋稳定,并同时解释海啸沉积与南部冰川地貌。
2023-09-30 astro-ph.EP physics.ao-ph
Reconfiguration of Amazon's Connectivity in the Climate System
本文通过气候网络分析研究亚马逊雨林与全球气候系统连通性的时间演化,发现其短程连接减弱、长程连接增强且连通模式在21世纪更加多变,扰动传播加快,为区域气候变化研究提供了新方法模板。
2023-07-01 physics.ao-ph physics.data-an physics.soc-ph
Investigating the topology of interacting networks - Theory and application to coupled climate subnetworks
网络理论为研究自然界、技术和社会中许多复杂系统的结构或功能拓扑提供了各种工具。然而,最近已经意识到,相当数量的感兴趣的系统应被视为,更适当地,作为相互作用的网络或网络的网络。在这里,我们介绍了一种新的图论框架,用于研究嵌入在复杂网络的网络子网络之间的交互结构。这个框架使我们能够量化的结构作用的单个顶点或整个子网络的相互作用的一对子网络在局部,介观和全球拓扑尺度。气候网络最近被证明是分析气候数据的一个有力工具。应用研究相互作用网络的一般框架,我们引入耦合气候子网络来表示和研究不同气候变量字段之间的统计关系的拓扑结构。利用耦合气候子网络来研究陆地大气的三维位势高度场,揭示了大气垂直分层和大气环流的已知和有趣的新特征。具体而言,新的措施“交叉中间”确定的区域,这是特别重要的调解垂直风场的相互作用。通过采用耦合气候子网络方法所取得的有希望的结果,是从网络角度更好地了解地球系统及其复杂的相互作用的组成部分的第一步。
2011-02-15 cs.SI physics.ao-ph physics.data-an
Improvement of a neural network convection scheme by including triggering and evaluation in present and future climates
Météo-France, CNRS, Univ. Toulouse(法国气象局,法国国家科学研究中心,图卢兹大学)
本文改进了全球大气模型ARP-GEM中的神经网络对深对流参数化方案,通过引入触发机制检测网格单元内深对流是否活跃,并在温暖气候中验证了使用相对湿度作为输入提升性能。
2026-04-07 physics.ao-ph
Stability of Thermohaline circulation with respect to fresh water release
在西北欧发现的相对温暖的气候是由于湾流将温暖的盐水从南纬度循环到欧洲。在北大西洋,该流释放出大量的热量,冷却并下沉到底部,以完成热盐环流。有相当大的争论流的稳定性输入的淡水从融化的冰在格陵兰岛和北极。环流被切断,将对欧洲的气候产生巨大影响。政府间气候变化专门委员会(IPCC)在其最近报告中警告了这种危险。我们的目标是模拟热盐环流在北大西洋下沉的点。我们创建了一个二维离散地图,模拟了溪流的盐度梯度和垂直速度。我们寻找如何扰动的形式,淡水释放可以通过推动速度低于一定的阈值,使循环不稳定。
2008-05-16 nlin.CD physics.ao-ph
Network science disentangles internal climate variability in global spatial dependence structures
本研究利用网络科学方法,提出连通率指标R,以刻画地球系统模型集合中内部气候变率对全球温度空间依赖结构的影响,并揭示人为影响下气候可预测性的潜在变化。
2025-01-24 physics.ao-ph
How complex climate networks complement eigen techniques for the statistical analysis of climatological data
本征技术,如经验正交函数(Empirical Orthogonal Function,简称ERF)或耦合模式(Coupled Pattern,简称CP)/最大协方差分析(Maximum Coordinate Analysis),常被用来检测多变量气候资料中的模式。最近,起源于复杂网络理论的统计方法已经被用于时空分析的相同目的。这种气候网络(CN)分析通常基于与经典的气候网络或CP分析中使用的相同的相似性矩阵集,例如,单个气候场的相关矩阵或两个不同气候场之间的互相关矩阵。在这项研究中,正式的关系,以及本征和网络的方法之间的概念差异推导和说明使用示例性的全球降水,蒸发和地面气温数据集。这些结果可以精确地指出,CN分析可以补充经典的本征技术,并提供更多的信息,在气候数据的统计相互关系的高阶结构。因此,氯化萘是气候学家统计工具箱的一个宝贵补充,特别是对于理解卫星观测和气候模型相互比较活动产生的大型数据集而言。
2016-04-09 physics.ao-ph physics.data-an stat.ME
Global Climate network evolves with North Atlantic Oscillation phases: Coupling to Southern Pacific Ocean
我们使用1948-2010年的再分析数据,从全球不同地理位置的表层大气温度的气候记录构建了一个网络。我们发现,网络与北大西洋涛动(NAO),无论是在本地北大西洋,并通过耦合到南太平洋。这些区域之间存在着远程连接,而且随着时间的推移保持稳定,这使我们能够对这一现象提出一个可能的物理解释。
2013-09-07 physics.ao-ph physics.geo-ph
Networks of climate change: Connecting causes and consequences
了解全球变暖的原因和后果并制定对策是一个极其复杂的问题。网络表示有时是唯一的前进方向,有时能够降低原始问题的复杂性。网络既是气候科学的必要组成部分,也是自然组成部分。此外,网络形成了大量计算和分析技术的数学基础。我们才刚刚开始看到气候变化科学和网络科学之间这种联系的好处。在这篇综述中,我们涵盖了气候变化文献中广泛的网络应用-它们代表什么,如何分析它们,以及它们带来了什么样的见解。我们还讨论了网络数据、工具和有待探索的问题。
2022-05-27 cs.SI physics.ao-ph physics.soc-ph
Targeted Calibration to Adjust Stability Biases in Complex Dynamical System Models
Ludwig-Maximilians-University(路德维希-马克西米利安大学);Technical University of Munich(慕尼黑工业大学);Potsdam Institute for Climate Impact Research(波茨坦气候影响研究所);University of Bern(伯尔尼大学);Met Office Hadley Centre(英国气象局哈德利中心);University of Exeter(埃克塞特大学)
本文提出一种高效校准方法,用于调整复杂动力系统模型的稳定性偏见,以研究地球系统模型中的临界转变可能性及影响。
2026-03-26 physics.ao-ph
Causally-informed deep learning to improve climate models and projections
本研究将因果发现与深度学习结合,消除神经网络中的虚假相关性,改进气候模型参数化,实现稳定、可信且具泛化能力的气候模拟。
2024-03-20 physics.ao-ph
Climate network characterization of the AMOC edge state
University of Geneva(日内瓦大学);Centre pour la Vie dans l’Univers (CVU)(宇宙生命中心);Institute for Marine and Atmospheric research Utrecht(乌得勒支海洋与大气研究所);Utrecht University(乌得勒支大学);School of Computing and Mathematical Sciences, University of Leicester(莱斯特大学计算与数学科学学院);Schools of Sciences, Great Bay University(大湾区大学理学院)
利用气候网络分析,通过瞬时时间相关性定义网络链接,表征AMOC边缘状态,并显示网络测度(归一化度中心性)可检测AMOC接近边缘状态时的跨赤道遥相关,为ESM中AMOC临界事件检测提供方法。
2026-06-07 physics.ao-ph
On the Extrapolation of Generative Adversarial Networks for downscaling precipitation extremes in warmer climates
本研究评估了确定性卷积神经网络基线及基于其构建的生成对抗网络(GAN)在暖化气候下对极端降水降尺度的外推能力,发现GAN在捕捉极端降水增加方面泛化性优于基线,为依赖历史数据的气候应用提供参考。
2024-09-20 physics.ao-ph
Climate Network Structure Follows North Atlantic Oscillation Phases
我们从北大西洋不同地理位置的气候记录中构建了一个网络。两个站点之间的链接表示每个站点的记录之间的互相关。我们发现,在北大西洋涛动(NAO)的不同阶段的相关值显着不同的链接。通过对相关值设置一个优化阈值,我们发现网络中的强连接数在NAO指数为正时增加,在NAO指数为负时减少。我们发现一个显着的灵敏度的网络结构的振荡,这是显着高于所观察到的响应的空间平均的记录。我们的研究结果提出了一种新的措施,跟踪NAO模式。
2011-09-16 physics.ao-ph
Attractors and bifurcation diagrams in complex climate models
本文针对复杂气候模型弛豫时间过长导致分岔图构建困难的问题,利用MITgcm耦合设置测试了随机涨落探索相空间与稳定分支重建两种互补技术,以高效揭示多稳态区域和临界点位置。
2023-03-28 physics.ao-ph physics.comp-ph physics.geo-ph
Inferring long memory processes in the climate network via ordinal pattern analysis
我们使用有序模式和符号分析来构建全球气候网络,并揭示长期和短期记忆过程。分析的数据是月平均表面气温(SAT场),结果表明SAT场的时间变异性是由不时重复的振荡行为模式决定的,其周期性与季节内振荡和厄尔尼诺现象有关。季节到年际时间尺度。
2011-01-27 nlin.AO physics.ao-ph
Recent Weakening of the Global Radiative Feedback
Colorado State University(科罗拉多州立大学);Lawrence Livermore National Laboratory(劳伦斯利弗莫尔国家实验室);Met Office Hadley Centre(英国气象局哈德莱中心);University of Leeds(利兹大学)
研究通过深度学习方法分析观测数据,发现全球辐射反馈参数λ在1990年代中期达到最低点,此后显著减弱,且受厄尔尼诺和太平洋年代际振荡影响较小。
2026-05-05 physics.ao-ph
Achieving Conservation of Energy in Neural Network Emulators for Climate Modeling
University of California, Irvine(加州大学欧文分校);Columbia University(哥伦比亚大学);Ludwig-Maximilian-University(路德维希-马克西米利安大学)
人工神经网络有潜力模拟云过程,比目前气候模式中使用的半经验模拟器具有更高的准确性。然而,神经网络模型本质上并不保存能量和质量,这是将其用于长期气候预测的障碍。在这里,我们提出了两种方法来在物理模型的神经网络仿真器中执行线性守恒律:约束(1)损失函数或(2)网络本身的架构。应用于原型多尺度气候模式中明确解决的云过程的仿真,我们表明,架构约束可以执行守恒定律,以令人满意的数值精度,而所有的约束有助于神经网络更好地概括其训练集以外的条件,如全球变暖。
2019-06-15 cs.LG physics.ao-ph physics.comp-ph
Tipping detection using climate networks
针对传统气候临界点早期预警信号未利用空间信息的问题,研究基于气候模拟构建多变量复杂网络,发现多种网络指标可有效检测全球尺度临界点,且分析了其识别非线性动力学模式的能力。
2024-07-26 nlin.CD physics.ao-ph physics.geo-ph
Distinguishing the effects of internal and forced atmospheric variability in climate networks
众所周知,地球气候是一个高度复杂的动力系统。在过去的几十年里,人们一直致力于了解一个地理区域的气候现象如何影响其他区域的气候。复杂网络是识别气候相互依存关系的有力框架。为了进一步利用经由网络分析发现的链接的知识(例如,预测的改进),需要对这些联系背后的物理机制有很好的理解。在这里,我们专注于理解大气变率的作用,并构建代表内部和强迫变率的气候网络。在这些网络的连通性,我们评估的两个主要指标,NINO3.4和北大西洋涛动(NAO)的影响,通过计算这些指标线性删除的时间序列的网络。我们发现强迫变率网络的连通性受到“厄尔尼诺”的严重影响:去除NINO3.4指数会导致连通性的普遍丧失;甚至远离赤道太平洋的地区之间的遥相关也会丧失,这表明这些地区不是直接联系的,而是通过“厄尔尼诺”间接相互联系的,特别是在年际时间尺度上。相反,在内部变率网络(独立于海表温度强迫),我们发现,链接显着影响NAO年内时间尺度的最大值。虽然最强的非本地的联系是那些被迫由海洋,我们表明,也有很强的遥相关,由于内部大气的变化。
2013-11-13 nlin.CD physics.ao-ph
The dominant imprint of Rossby waves in the climate network
网络的连接模式是以地面温度时间序列之间的相互关系为基础的,显示出南大洋的连接主要是密集的条纹。我们表明,这些链接的统计分类产生了明确的关联与大气罗斯贝波的模式,与天气系统和行星尺度能量输送的主要机制之一。它表明,交替密度的负和正的链接(相关性)安排在半罗斯贝波距离约3,500公里,7,000公里和10,000公里,并与预期的能量流的方向,时间延迟的分布和这些波的季节性。还示出了长距离链路(即,与罗斯贝波有关的(距离大于2,000 km)是气候网络中最主要的。气候网络可以作为一种有效的新方法来检测和分析罗斯贝波,除了经常使用的300 hPa再分析纬向风数据的基础上,可靠和可用的地面测量。
2013-04-03 physics.ao-ph
Oceanic El-Niño wave dynamics and climate networks
海洋Kelvin波和罗斯贝波在热带气候和\en动力学中起着重要作用。在这里,我们开发和应用气候网络的方法来量化的特点,\en相关的海浪,海面高度卫星数据的基础上。我们关联的网络与(i)赤道开尔文波,(ii)离赤道罗斯贝波,(iii)热带不稳定波的主要长距离($\geq 500$公里)的链接。值得注意的是,我们发现,出($\sim 180^{\circ}\rm{E}$)和入($\sim 140^{\circ}\rm{W}$)的气候网络的链接的枢纽的位置与开尔文波的启动和耗散的位置相一致,分别。我们还发现,这种耗散在$\sim 140^{\circ}\rm{W}$是弱得多,在\en时间。此外,离赤道网络的枢纽与西风爆发活动和大风涡度的位置相吻合,这两种机制与罗斯贝波活动有关。定量的方法和措施,这里可以提高\en动态的理解,并可能预测。
2015-05-27 physics.ao-ph physics.soc-ph
Global Patterns of Extreme Temperature Teleconnections Using Climate Network Analysis
本文利用气候网络分析研究每日极端升温与降温事件的遥相关模式,发现显著遥相关距离先呈幂律衰减后出现长距离连接,极端降温事件长距离连通性更普遍,结果助力天气预报与气候风险评估。
2025-04-16 physics.ao-ph
CondensNet: Enabling stable long-term climate simulations via hybrid deep learning models with adaptive physical constraints
Department of Mechanical Engineering, National University of Singapore(新加坡国立大学机械工程系);Department of Computer Science and Technology, Tsinghua University(清华大学计算机科学与技术系);NVIDIA AI Technology Centre(NVIDIA人工智能技术中心);Centre for Climate Research Singapore(新加坡气候研究中心);Environmental Science Division, Argonne National Laboratory(阿贡国家实验室环境科学部);Information Sciences and Technology Department, The Pennsylvania State University(宾夕法尼亚州立大学信息科学与技术系)
CondensNet通过引入自适应物理约束,解决了混合模型中凝结过程的不稳定性问题,提升了长期气候模拟的稳定性与效率。
2026-01-24 cs.AI cs.LG physics.ao-ph
Long-term stability and generalization of observationally-constrained stochastic data-driven models for geophysical turbulence
Rice University(莱斯大学);NVIDIA Corporation(英伟达公司)
近年来,人们对构建基于深度学习的完全数据驱动的天气预测模型的兴趣激增。这种深度学习模型如果经过观测训练,可以减轻当前最先进的天气模型中的某些偏差,其中一些偏差源于亚网格尺度过程的不准确表示。然而,这些数据驱动的模型是过度参数化的,需要大量的训练数据,而这些数据可能无法从再分析(观测数据)产品中获得。此外,在现实场景中,使用数据驱动的天气模型开始预测的准确、无噪声的初始条件是不可用的。最后,确定性数据驱动的预测模型存在长期稳定性和非物理气候漂移的问题,这使得这些数据驱动的模型不适合计算气候统计数据。鉴于这些挑战,以前的研究试图在大量不完善的长期气候模型模拟上预训练基于深度学习的天气预报模型,然后在可用的观测数据上重新训练它们。在本文中,我们提出了一个基于卷积变分自编码器的随机数据驱动模型,该模型在2层准地转流的不完美气候模型模拟上进行了预训练,并使用迁移学习在来自完美模拟的少量噪声观测上进行了重新训练。然后,这个重新训练的模型使用从完美模拟中采样的噪声初始条件进行随机预测。我们表明,我们基于集合的随机数据驱动模型在短期技能方面优于基于基线确定性编码器-解码器的卷积模型,同时在长期气候模拟中保持稳定,从而产生准确的气候学。
2022-05-09 cs.LG nlin.CD physics.ao-ph
Compressing multidimensional weather and climate data into neural networks
ETH Zurich(苏黎世联邦理工学院)
本文提出用基于坐标的神经网络过拟合天气气候数据并以网络参数作为紧凑表示,实现300至3000倍以上压缩,在精度上优于SZ3,且压缩后数据用于WeatherBench训练时RMSE增加不到2%。
2023-04-14 cs.IT cs.LG math.IT
Climate network suggests enhanced El Niño global impacts in localized areas
本文利用近地面气温资料构建了有向加权气候网络,研究了厄尔尼诺和拉尼娜对全球的影响。我们发现,具有较高的正或负网络的加权链接的区域,表现出较强的相关性与厄尔尼诺盆地和厄尔尼诺或拉尼娜期间温暖或凉爽。与非厄尔尼诺时期相比,这些较强的加权活动集中在局部地区,而全球很大一部分地区不受这些事件的影响。厄尔尼诺(拉尼娜)事件的局部活动区域各不相同;仍然有一些厄尔尼诺(拉尼娜)事件彼此更为相似。我们使用网络群落结构来量化这种相似性。本文的结果和方法可用于提高对厄尔尼诺或拉尼娜事件的认识和预测,也可应用于其他气候变量的调查。
2016-09-02 physics.ao-ph physics.geo-ph
LUCIE: A Lightweight Uncoupled ClImate Emulator with long-term stability and physical consistency for O(1000)-member ensembles
The Pennsylvania State University(宾夕法尼亚州立大学);Argonne National Laboratory(阿贡国家实验室);University of California, Santa Cruz(加州大学圣克鲁兹分校)
本文提出轻量级气候仿真器LUCIE,仅需2年ERA5数据即可训练,能在100个集合成员上保持100年稳定且物理一致的模拟,并可用于极端天气事件估计。
2025-04-10 cs.LG physics.ao-ph physics.comp-ph
Climate network and complexity based ENSO forecast for 2026
Potsdam Institute for Climate Impact Research (PIK), Member of the Leibniz Association(波茨坦气候影响研究所(PIK),莱布尼茨协会成员);State Key Laboratory of Earth System Numerical Modeling and Application, Institute of Atmospheric Physics, Chinese Academy of Sciences(中国科学院大气物理研究所地球系统数值模拟与应用国家重点实验室);School of Systems Science, Beijing Normal University(北京师范大学系统科学学院);Institute for Theoretical Physics, Justus Liebig University Giessen(吉森大学约翰内斯·古腾堡理论物理研究所);International Institute for Applied Systems Analysis(国际应用系统分析研究所)
本文基于气候网络和复杂性分析方法,预测2026年ENSO事件更可能为中性,若出现厄尔尼诺则强度较弱。
2026-02-16 physics.ao-ph
Climate Networks around the Globe are Significantly Effected by El Nino
除了在太平洋的一个限制区域测量外,世界上不同地区的温度不会因厄尔尼诺现象而出现显著变化。相反,我们发现,在世界上不同的地理区域相同的温度记录的基础上的气候网络的动态显着影响厄尔尼诺现象。在厄尔尼诺期间,网络的许多链接被破坏,幸存的链接的数量构成了对厄尔尼诺事件的具体和敏感的测量。虽然在非厄尔尼诺期间,这些代表不同地点温度之间相关性的链接更稳定,但在厄尔尼诺期间观察到的相关性的快速波动导致链接中断。
2008-04-08 physics.ao-ph physics.gen-ph
Quantum Neural Networks for Cloud Cover Parameterizations in Climate Models
本研究探索量子神经网络(QNNs)在气候模型云量参数化中的应用,通过与经典神经网络对比,发现其性能相当且优于传统参数化,还验证了泛化能力与噪声稳定性,为QML在气候建模的应用提供支持。
2025-02-14 physics.ao-ph quant-ph
A neural network-based Universal Thermal Climate Index for reliable global thermal-stress classification across extreme weather
University of Oxford(牛津大学);University of Manchester(曼彻斯特大学)
针对UTCI多项式近似在极端天气下精度不足的问题,提出神经网络Neural-UTCI,将RMSE从2.78°C降至0.36°C,误分类率从5.3%降至1.7%,提升热应激评估可靠性。
2026-09-30 physics.ao-ph
Bridging Gaps in the Climate Observation Network: A Physics-based Nonlinear Dynamical Interpolation of Lagrangian Ice Floe Measurements via Data-Driven Stochastic Models
模拟和理解边缘冰区的海冰动力学依赖于获取拉格朗日浮冰测量。然而,光学卫星图像容易受到大气噪声的影响,导致检索到的浮冰位置的时间序列出现空白。本文提出了一个有效的和统计上准确的非线性动态插值框架恢复丢失的浮冰观测。它利用了一个平衡的物理为基础的和数据驱动的建设,以解决所带来的挑战的高维和非线性性质的耦合大气-冰-海洋系统,有效的降阶随机模型,非线性资料同化,并同时参数估计系统集成。新方法成功地恢复的位置,曲率,角位移,以及相关的强非高斯分布的失踪浮冰在波弗特海。它还准确地估计了浮冰厚度,并恢复了未观测到的底层海洋场与适当的不确定性量化,推进我们对北极气候的理解。
2022-05-18 physics.ao-ph
Disentangling Internal and Forced Climate Variability with Convolutional Neural Networks using Multivariate Fields
UMR LOCEAN, IPSL, Sorbonne Université, IRD, CNRS, MNHN(洛桑海洋与气候联合研究实验室,巴黎地球物理研究所,索邦大学,法国国家科研中心,国家自然历史博物馆);Institute for Atmospheric and Climate Science, ETH Zurich(苏黎世联邦理工学院大气与气候科学研究所)
本研究采用U-Net卷积网络,利用多模式数据集分离1950-2022年的强迫与内部气候变率,其误差低于四阶多项式方法,为气候变率区分提供了更优方案。
2026-09-07 physics.ao-ph
Projection Of Temperature And Precipitation For 2020-2100 For Tehran Region Using Post-processing Of General Circulation Models Output And Artificial Neural Network Approach
在气候研究中进行多模式预测,以量化气候预测的不确定性和提高可靠性。具有挑战性的问题是,没有唯一的方法来获得性能指标,也没有任何共识的方法将是最好的方法组合模型。本研究的目的是调查是否结合气候模式预测人工神经网络(ANN)的方法可以提高气候预测,从而减少不确定性的范围。等权重模型平均(平均模型)和单一气候模式预测(最佳模型)也被认为是人工神经网络组合方法的参考。利用15个大气环流模式(GCMs)对温度和降水进行了现今气候模拟和未来预测。结果表明,与最佳模式和平均模式相比,人工神经网络组合方法结合GCM预测对现今温度和降水的模拟效果显著提高。最佳模型的身份在两个变量之间和站点之间发生变化。因此,没有一个独特的模型,可以代表所有变量和/或站在研究区域的最佳模型。平均模型也不擅长对历史气候进行可靠的预测。模拟温度表明,人工神经网络方法有最好的技能,在模拟当今的月平均比其他方法在所有站。然而,模拟当今的降水量,表明人工神经网络的方法是不是最好的方法,在所有的站,虽然它比平均模型表现得更好。通过人工神经网络方法对未来气候条件进行的多模式预测预测表明,在所有台站和所有情景下,气温都会上升,降水量会减少。
2021-09-10 physics.ao-ph
Exploring Randomly Wired Neural Networks for Climate Model Emulation
Harvey Mudd College(哈维穆德学院);University of Southern California(南加州大学);Pacific Northwest National Laboratory(太平洋西北国家实验室);University of California San Diego(加州大学圣迭戈分校)
本文利用 ClimateBench 评估随机连线密集层替代 MLP、CNN 和 ConvLSTM 中传统密集层的效果,发现其在多数组合中提升精度且不降低预测速度。
2024-01-21 cs.LG physics.ao-ph