WRF文献 | WRF与深度学习参数之间的桥梁及其在大气辐射转移中的应用

提出WRF-DL耦合器，为研究者提供了以最小开发成本将深度学习模型嵌入数值天气预报模式的工具。

WRF模型使用：

（1）采用了一种均匀设计（Uniform Design,UD）的方法，对参数化方案组合进行抽样选取。

（2）代码地址：https://github.com/x7zhong/WRF-DL/tree/main

摘要

在数值天气预报（NWP）模型中，物理参数化方案尽管已经大幅简化，但仍是计算成本最高的组成部分。近年来，越来越多的研究表明，利用深度学习（DL）对次网格物理过程进行参数化，不仅有望加速计算，甚至可能超越传统的基于物理的方案。然而，由于深度学习模型通常使用基于Python的深度学习库实现，而数值天气预报模型多基于Fortran开发，将Python函数嵌入Fortran代码的困难导致极少有基于深度学习的参数化方案成功集成到数值天气预报模型中。为解决这一问题，我们开发了一种耦合器，使得基于深度学习的参数化方案能够与广泛使用的数值天气预报模型——天气研究与预报（WRR）模型——进行耦合。该耦合器借鉴了WRF的输入输出方法，提供了两种运行深度学习模型推理的选项：一种是使用独立的处理器，另一种是与WRF计算共享处理器。此外，为验证耦合器的有效性，我们成功训练了基于深度学习的辐射模拟器，并将其与WRF模型耦合。

研究方法

原始RRTMG模块的伪代码

基于DL的RRTMG模块的伪代码

WRF-DL耦合器的框架

基于WRF和基于DL的参数化之间的同步序列实现

研究结果


研究结论

如众多先前研究所示，利用深度学习模型模拟次网格物理过程，相较于传统基于物理过程的参数化方案，不仅具有更快的计算速度，甚至展现出更高的准确性潜力。然而，深度学习模型通常采用Python语言实现，而数值天气预报模式多基于Fortran代码开发，这一语言鸿沟使得将深度学习参数化方案业务化应用于数值天气预报模式面临严峻挑战。过往研究中，学者多通过将神经网络的运算硬编码至Fortran语言实现功能移植，这种方式不仅耗时费力，且容错性差——即便是对深度学习模型的微小调整，都需要重写Fortran代码。亦有研究者尝试借助Fortran神经网络库调用基于Python的深度学习框架功能，但此类方法仅适用于实现结构简单的密集型全连接神经网络。本文创新性地提出WRF-DL耦合器，为研究者提供了以最小开发成本将深度学习模型嵌入数值天气预报模式的工具。该耦合器的核心优势在于：通过Python环境实现深度学习参数化方案，可支持构建更为复杂先进的人工智能模型架构。我们已将这一耦合器开源发布，期望吸引更多研究者通过集成深度学习参数化方案，持续优化传统数值天气预报模式，从而提升天气与气候预报的精准度。