ترجمه فارسی مقاله تأثیر تنوع داخلی بر معیارسنجی شبیه‌سازهای اقلیمی یادگیری عمیق

چکیده

Full-complexity Earth system models (ESMs) are computationally very expensive, limiting their use in exploring the climate outcomes of multiple emission pathways. More efficient emulators that approximate ESMs can directly map emissions onto climate outcomes, and benchmarks are being used to evaluate their accuracy on standardized tasks and datasets. We investigate a popular benchmark in data-driven climate emulation, ClimateBench, on which deep learning-based emulators are currently achieving the best performance. We implement a linear regression-based emulator, akin to pattern scaling, and find that it outperforms the incumbent 100M-parameter deep learning foundation model, ClimaX, on 3 out of 4 regionally-resolved surface-level climate variables. While emulating surface temperature is expected to be predominantly linear, this result is surprising for emulating precipitation. We identify that this outcome is a result of high levels of internal variability in the benchmark targets. To address internal variability, we update the benchmark targets with ensemble averages from the MPI-ESM1.2-LR model that contain 50 instead of 3 climate simulations per emission pathway. Using the new targets, we show that linear pattern scaling continues to be more accurate on temperature, but can be outperformed by a deep learning-based model for emulating precipitation. We publish our code, data, and an interactive tutorial at github.com/blutjens/climate-emulator.

چکیده به فارسی (ترجمه ماشینی)

مدل های سیستم زمینی کامل (ESM) از نظر محاسباتی بسیار گران هستند و استفاده از آنها را در کاوش در نتایج آب و هوایی مسیرهای انتشار چندگانه محدود می کنند.شبیه سازهای کارآمدتر که ESM های تقریبی می توانند مستقیماً انتشار گازهای گلخانه ای را بر روی نتایج آب و هوا ترسیم کنند ، و از معیارها برای ارزیابی صحت آنها در کارهای استاندارد و مجموعه داده ها استفاده می شود.ما یک معیار محبوب در تقلید آب و هوایی داده محور ، آب و هوا را بررسی می کنیم ، که در حال حاضر شبیه سازهای مبتنی بر یادگیری عمیق در حال دستیابی به بهترین عملکرد هستند.ما یک شبیه ساز مبتنی بر رگرسیون خطی ، شبیه به مقیاس بندی الگوی را پیاده سازی می کنیم ، و می یابیم که از مدل بنیاد یادگیری عمیق 100 متر پارامتر ، اوج ، در 3 از 4 از 4 متغیر آب و هوایی سطح سطح منطقه ای ، بهتر است.در حالی که انتظار می رود دمای سطح عمدتاً خطی باشد ، این نتیجه برای تقلید بارش تعجب آور است.ما تشخیص می دهیم که این نتیجه نتیجه سطح بالای تنوع داخلی در اهداف معیار است.برای پرداختن به تنوع داخلی ، ما اهداف معیار را با میانگین گروه از مدل MPI-ESM1.2-LR که حاوی 50 به جای 3 شبیه سازی آب و هوا در هر مسیر انتشار است ، به روز می کنیم.با استفاده از اهداف جدید ، ما نشان می دهیم که مقیاس بندی الگوی خطی همچنان از نظر دما دقیق تر است ، اما می تواند از یک مدل مبتنی بر یادگیری عمیق برای تقلید بارش بهتر عمل کند.ما کد ، داده ها و یک آموزش تعاملی خود را در github.com/blutjens/climate-emulator منتشر می کنیم.