ترجمه فارسی مقاله استخراج ارزش افزوده یادگیری ماشین: جبهه‌های پارتو در کاربردهای جوی

چکیده

While the added value of machine learning (ML) for weather and climate applications is measurable, explaining it remains challenging, especially for large deep learning models. Inspired by climate model hierarchies, we propose that a full hierarchy of Pareto-optimal models, defined within an appropriately determined error-complexity plane, can guide model development and help understand the models’ added value. We demonstrate the use of Pareto fronts in atmospheric physics through three sample applications, with hierarchies ranging from semi-empirical models with minimal tunable parameters (simplest) to deep learning algorithms (most complex). First, in cloud cover parameterization, we find that neural networks identify nonlinear relationships between cloud cover and its thermodynamic environment, and assimilate previously neglected features such as vertical gradients in relative humidity that improve the representation of low cloud cover. This added value is condensed into a ten-parameter equation that rivals the performance of deep learning models. Second, we establish a ML model hierarchy for emulating shortwave radiative transfer, distilling the importance of bidirectional vertical connectivity for accurately representing absorption and scattering, especially for multiple cloud layers. Third, we emphasize the importance of convective organization information when modeling the relationship between tropical precipitation and its surrounding environment. We discuss the added value of temporal memory when high-resolution spatial information is unavailable, with implications for precipitation parameterization. Therefore, by comparing data-driven models directly with existing schemes using Pareto optimality, we promote process understanding by hierarchically unveiling system complexity, with the hope of improving the trustworthiness of ML models in atmospheric applications.

چکیده به فارسی (ترجمه ماشینی)

در حالی که ارزش افزوده یادگیری ماشین (ML) برای برنامه های آب و هوا و آب و هوا قابل اندازه گیری است ، توضیح می دهد که به ویژه برای مدلهای بزرگ یادگیری عمیق ، چالش برانگیز است.با الهام از سلسله مراتب مدل آب و هوا ، ما پیشنهاد می کنیم که یک سلسله مراتب کامل از مدلهای پارتو-بهینه ، تعریف شده در یک هواپیمای خطای با خطای مناسب ، می تواند توسعه مدل را راهنمایی کند و به درک ارزش افزوده مدل ها کمک کند.ما استفاده از جبهه های پارتو در فیزیک جوی را از طریق سه برنامه نمونه نشان می دهیم ، با سلسله مراتب از مدلهای نیمه تجربی با پارامترهای قابل تنظیم حداقل (ساده ترین) گرفته تا الگوریتم های یادگیری عمیق (پیچیده ترین).اول ، در پارامترهای پوشش ابر ، می فهمیم که شبکه های عصبی روابط غیرخطی بین پوشش ابر و محیط ترمودینامیکی آن را شناسایی می کنند ، و ویژگی های قبلاً مورد غفلت مانند شیب عمودی را در رطوبت نسبی که باعث بهبود پوشش پوشش ابر کم می شود ، جذب می کنند.این مقدار اضافه شده به یک معادله ده پارامتر متراکم می شود که عملکرد مدل های یادگیری عمیق را رقیب می کند.دوم ، ما یک سلسله مراتب مدل ML را برای تقلید از انتقال تابش موج کوتاه ایجاد می کنیم ، و اهمیت اتصال عمودی دو طرفه را برای نشان دادن دقیق جذب و پراکندگی ، به ویژه برای لایه های ابر مختلف ، تقطیر می کنیم.سوم ، ما بر اهمیت اطلاعات سازمان همرفت هنگام مدل سازی رابطه بین بارش گرمسیری و محیط اطراف آن تأکید می کنیم.ما در مورد مقدار افزوده حافظه زمانی بحث می کنیم که اطلاعات مکانی با وضوح بالا در دسترس نیست ، با پیامدهای پارامتر شدن بارش.بنابراین ، با مقایسه مدل های داده محور به طور مستقیم با طرح های موجود با استفاده از بهینه Pareto ، ما با امید به بهبود اعتماد به نفس مدل های ML در برنامه های جوی ، درک فرآیند را با رونمایی از سلسله مراتب از پیچیدگی سیستم ترویج می کنیم.