【技术实现步骤摘要】
本专利技术属于地球系统模拟，尤其是涉及一种地球系统模式中次网格参数化方案替换方法、设备和介质。
技术介绍
1、地球系统模式(community earth system model，cesm)是天气/气候数值模拟和预测的主要工具，研发高效高精度的地球系统模式一直是重要的发展方向。地球系统模式使用的全球网格通常具有较大的空间分辨率，但地球上许多过程发生在更小的尺度上，为了更准确地模拟这些过程，次网格技术被引入到地球系统模式中。次网格参数化方案是一种将细节转化为模型可以处理的参数的方法，然而，目前地球系统模式中的物理过程次网格参数化方案存在两个主要缺陷，其一是次网格参数化方案对计算资源和时间的需求巨大，尤其在需要进行迅速决策和紧急预测的情况下，限制了地球系统模式模拟和预测的实时性和可操作性；其二是次网格参数化方案难以准确反映次网格过程对网格尺度过程的影响，从而粗略处理或忽略了在较小的网格尺度上的重要子过程对模拟结果的影响，如云微物理过程和辐射过程等。
2、为了克服这些问题，研究人员开始探索使用人工智能(artificialintelligence，ai)模型去替代地球系统模式中的次网格参数化方案，致力于发展更加快速和准确的地球系统模式。然而，目前替代次网格参数化方案的ai模型是使用地球系统模式中次网格参数化方案或另外的高分辨率物理过程数值模型的输入输出数据作为训练数据，前者训练的ai模型可以提升计算效率，但其准确度的最佳性能上限与原始参数化方案持平；后者训练的ai模型可以提升原始参数化方案的准确度和计算效率，但是获取训练
技术实现思路
1、本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种地球系统模式中次网格参数化方案替换方法、设备和介质，提升地球系统模式模拟和预测的准确性、稳定性和实时性。
2、本专利技术的目的可以通过以下技术方案来实现：
3、一种地球系统模式中次网格参数化方案替换方法，包括以下步骤：
4、s1、采集地球系统模式中目标次网格参数化方案的输入数据和输出数据，构建预训练数据集；
5、s2、通过数据同化校准模式时钟，使用观测资料构建微调数据集；
6、s3、构建人工智能模型，使用所述预训练数据集进行预训练；
7、s4、基于增量学习方法，使用所述微调数据集进一步调整步骤s3训练的人工智能模型；
8、s5、将调整后的人工智能模型与地球系统模式耦合，替换目标次网格参数化方案。
9、进一步地，步骤s2的具体过程如下：
10、s201、选择观测或再分析资料进行数据同化，校准地球系统模式的内部时间；
11、s202、运行校准后的地球系统模式，采集目标次网格参数化方案的输入数据，作为所述微调数据集的输入数据，采集与目标次网格参数化方案输出变量相对应的观测变量，作为所述微调数据集的输出数据。
12、进一步地，步骤s3的具体过程如下：
13、s301、将所述预训练数据集进行归一化处理，划分为第一训练集和第一测试集；
14、s302、构建人工智能模型，向所述人工智能模型模型参数中多次添加随机噪声，使用所述第一训练集进行预训练，直至找到预训练损失函数的平坦局部最小值。
15、进一步地，所述预训练损失函数为l1范数损失函数。
16、进一步地，步骤s4的具体过程如下：
17、s401、将所述微调数据集进行归一化处理，划分为第二训练集和第二测试集；
18、s402、基于增量学习方法，使用所述第二训练集进一步调整步骤s3训练的人工智能模型，直至找到微调损失函数的平坦局部最小值。
19、进一步地，所述微调损失函数为l2范数损失函数。
20、进一步地，步骤s5中，通过fortran torch适配器将调整后的人工智能模型与地球系统模式耦合。
21、进一步地，步骤s5中，基于替换目标次网格参数化方案后得到的智能地球系统模式进行模拟，根据模拟结果进行性能评估，所述性能评估的评估指标根据目标次网格参数化方案的特性和研究目标制定。
22、本专利技术还提供一种电子设备，包括存储器、处理器，以及存储于所述存储器中的程序，所述处理器执行所述程序时实现上述方法。
23、本专利技术还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述方法。
24、与现有技术相比，本专利技术具有以下有益效果：
25、1、本专利技术首先使用以地球系统模式中目标次网格参数化方案的输入数据和输出数据构建的预训练数据集，预训练得到性能接近目标次网格参数化方案的人工智能模型；然后使用通过数据同化校准地球系统模式构建的微调数据集，基于增量学习方法进一步调整该人工智能模型，使其性能超越目标次网格参数化方案；最后用调整后的人工智能模型替换目标次网格参数化方案，并与地球系统模式耦合，提高了地球系统模式模拟和预测的准确性。
26、2、本专利技术通过fortran torch适配器将调整后的人工智能模型与地球系统模式耦合，可以利用gpu资源显著提升计算效率，提高了地球系统模式模拟和预测的时效性。
27、3、本专利技术在进行模型训练时，使用求取损失函数的平坦局部最小值的方法，确保人工智能模型在微调后仍然保留在预训练阶段学习到的知识，避免增量学习过程中出现灾难性遗忘问题，使地球系统模式可以提供稳定、可靠的模拟结果。
28、4、本专利技术以与目标次网格参数化方案输出变量相对应的观测变量作为微调数据集的输出数据，避免使用复杂的高分辨率物理过程的数值模式来采集数据，极大提升了数据采集的效率，进而提升了地球系统模式模拟和预测的准确性。
本文档来自技高网...【技术保护点】
1.一种地球系统模式中次网格参数化方案替换方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种地球系统模式中次网格参数化方案替换方法，其特征在于，步骤S2的具体过程如下：
3.根据权利要求1所述的一种地球系统模式中次网格参数化方案替换方法，其特征在于，步骤S3的具体过程如下：
4.根据权利要求3所述的一种地球系统模式中次网格参数化方案替换方法，其特征在于，所述预训练损失函数为L1范数损失函数。
5.根据权利要求1所述的一种地球系统模式中次网格参数化方案替换方法，其特征在于，步骤S4的具体过程如下：
6.根据权利要求5所述的一种地球系统模式中次网格参数化方案替换方法，其特征在于，所述微调损失函数为L2范数损失函数。
7.根据权利要求1所述的一种地球系统模式中次网格参数化方案替换方法，其特征在于，步骤S5中，通过Fortran Torch适配器将调整后的人工智能模型与地球系统模式耦合。
8.根据权利要求1所述的一种地球系统模式中次网格参数化方案替换方法，其特征在于，步骤S5中，基于替换目标次
9.一种电子设备，包括存储器、处理器，以及存储于所述存储器中的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-8中任一所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-8中任一所述的方法。
...【技术特征摘要】
1.一种地球系统模式中次网格参数化方案替换方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种地球系统模式中次网格参数化方案替换方法，其特征在于，步骤s2的具体过程如下：
3.根据权利要求1所述的一种地球系统模式中次网格参数化方案替换方法，其特征在于，步骤s3的具体过程如下：
4.根据权利要求3所述的一种地球系统模式中次网格参数化方案替换方法，其特征在于，所述预训练损失函数为l1范数损失函数。
5.根据权利要求1所述的一种地球系统模式中次网格参数化方案替换方法，其特征在于，步骤s4的具体过程如下：
6.根据权利要求5所述的一种地球系统模式中次网格参数化方案替换方法，其特征在于，所述微调损失函数为l2范数损失函数。
7.根据权利...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。