ترجمه فارسی مقاله آیا می توان از یادگیری انتقالی برای پیشقدر وابسته به حالت گرمسیری مرتبط با قابلیت پیش بینی پذیری زیر فصلی در عرض متوسط ​​استفاده کرد؟

چکیده

Previous research has demonstrated that specific states of the climate system can lead to enhanced subseasonal predictability (i.e., state-dependent predictability). However, biases in Earth system models can affect the representation of these states and their subsequent evolution. Here, we present a machine learning framework to identify state-dependent biases in Earth system models. In particular, we investigate the utility of transfer learning with explainable neural networks to identify tropical state-dependent biases in historical simulations of the Energy Exascale Earth System Model version 2 (E3SMv2) relevant for midlatitude subseasonal predictability. Using a perfect model framework, we find transfer learning may require substantially more data than provided by present-day reanalysis datasets to update neural network weights, imparting a cautionary tale for future transfer learning approaches focused on subseasonal modes of variability.

چکیده به فارسی (ترجمه ماشینی)

تحقیقات قبلی نشان داده است که حالات خاص سیستم آب و هوا می تواند منجر به پیش بینی زیر فصل (به عنوان مثال ، پیش بینی وابسته به دولت) شود.با این حال ، تعصب در مدل های سیستم زمین می تواند بر بازنمایی این حالت ها و تکامل بعدی آنها تأثیر بگذارد.در اینجا ، ما یک چارچوب یادگیری ماشین را برای شناسایی تعصبات وابسته به دولت در مدل های سیستم زمین ارائه می دهیم.به طور خاص ، ما ابزار یادگیری انتقال با شبکه های عصبی قابل توضیح را برای شناسایی تعصبات وابسته به حالت گرمسیری در شبیه سازی های تاریخی مدل سیستم زمین Exascale Exerntion Earny Earth Model نسخه 2 (E3SMV2) مربوط به پیش بینی زیر فصل Midlatitude بررسی می کنیم.با استفاده از یک چارچوب مدل کامل ، می یابیم که یادگیری انتقال ممکن است به داده های قابل ملاحظه ای بیشتر از آنچه توسط مجموعه داده های بازگرداندن مجدد امروزی برای به روزرسانی وزن شبکه های عصبی ارائه شده است ، نیاز داشته باشد ، و یک داستان احتیاط آمیز برای رویکردهای یادگیری انتقال آینده متمرکز بر حالت های زیر فصل متغیر است.