Toward machine-assisted tuning avoiding the underestimation of uncertainty in climate change projections.
Toward machine-assisted tuning avoiding the underestimation of uncertainty in climate change projections.
复制标题
DOI：
10.1126/sciadv.adf2758
复制
发表时间：
2023-07-21
期刊：
影响因子：
13.6
通讯作者：
Williamson, Daniel
中科院分区：
文献类型：
--
作者：
Hourdin, Frederic;Ferster, Brady;Deshayes, Julie;Mignot, Juliette;Musat, Ionela;Williamson, Daniel
记录气候变化预测的不确定性是为政府间气候变化专门委员会（气专委）报告提供资料而组织的相互比较工作的一个基本目标。通常，每个模拟中心都通过其气候模式的一个或两个配置来参与这些练习，这些配置对应于“自由参数”值的特定选择，这是长期且往往繁琐的“模式调整”阶段的结果。这种选择忽略了多少不确定性，IPCC报告的读者和气候预测的用户可能会被它的遗漏所误导？我们在这里展示了最近的机器学习方法如何改变气候模型调整的方式，为同时加速模型改进和参数不确定性量化开辟了道路。我们展示了如何自动选择由不同自由参数值定义的模型配置，可以产生不同的“变暖的世界”，所有这些都与当今的气候系统观测相一致。自动调整被用来量化CMIP演习中提供的气候变化模拟的参数不确定性。
Documenting the uncertainty of climate change projections is a fundamental objective of the inter-comparison exercises organized to feed into the Intergovernmental Panel on Climate Change (IPCC) reports. Usually, each modeling center contributes to these exercises with one or two configurations of its climate model, corresponding to a particular choice of “free parameter” values, resulting from a long and often tedious “model tuning” phase. How much uncertainty is omitted by this selection and how might readers of IPCC reports and users of climate projections be misled by its omission? We show here how recent machine learning approaches can transform the way climate model tuning is approached, opening the way to a simultaneous acceleration of model improvement and parametric uncertainty quantification. We show how an automatic selection of model configurations defined by different values of free parameters can produce different “warming worlds,” all consistent with present-day observations of the climate system. Automatic tuning is used to quantify parametric uncertainty of the climate change simulations provided in CMIP exercises.
登录
查看更多内容
影响因子：
6.8
作者：
Couvreux, Fleur;Hourdin, Frederic;Xu, Wenzhe
通讯作者：
Xu, Wenzhe
影响因子：
5.2
作者：
Gregory, JM;Ingram, WJ;Williams, KD
通讯作者：
Williams, KD
影响因子：
3.8
作者：
Huffman, George J.;Adler, Robert F.;Wolff, David B.
通讯作者：
Wolff, David B.
影响因子：
6.8
作者：
Bonnet, Remy;Boucher, Olivier;Swingedouw, Didier
通讯作者：
Swingedouw, Didier
影响因子：
5.2
作者：
Bernstein, Diana N.;Neelin, J. David
通讯作者：
Neelin, J. David