这项研究的目的是评估历史匹配的潜力（HM），以调整具有多尺度动力学的气候系统。通过考虑玩具气候模型，即两尺度的Lorenz96模型并在完美模型设置中生产实验，我们详细探讨了如何需要仔细测试几种内置选择。我们还展示了在参数范围内引入物理专业知识的重要性，这是运行HM的先验性。最后，我们重新审视气候模型调整中的经典过程，该程序包括分别调整慢速和快速组件。通过在Lorenz96模型中这样做，我们说明了合理参数的非唯一性，并突出了从耦合中出现的指标的特异性。本文也有助于弥合不确定性量化，机器学习和气候建模的社区，这是通过在每个社区使用的术语之间建立相同概念的术语并提出有希望的合作途径，从而使气候建模研究受益。
translated by 谷歌翻译
建模降低模型的划分标度动态是一个长期存在的开放问题，在海洋，大气和气候预测中发现应用直接数值模拟（DNS）是不可能的。虽然神经网络（NNS）已经应用于成功的一系列三维问题，但二维流的后向能量传输仍然是训练模型的稳定性问题。我们表明，与动态求解器和有意义的$ \ yryit {基于后验}的损耗函数一起学习模型，当应用于准嗜嗜酸性湍流时，稳定和现实的模拟。
translated by 谷歌翻译