متأسفیم ، اما جستجوی شما به دلیل مشکلات شبکه نمی تواند تکمیل شود. لطفا بعداً دوباره امتحان کنید.

مدت زمان طولانی سرور

متأسفیم ، اما جستجوی شما به دلیل زمان بندی سرور نمی تواند تکمیل شود. لطفا بعداً دوباره امتحان کنید.

اصطلاح جستجوی نامعتبر

متأسفیم ، اما به نظر می رسد اصطلاح جستجوی شما نامعتبر است. لطفا جستجوی خود را اصلاح کنید.

درخواست های بیش از حد

متأسفیم ، اما درخواست های جستجوی موازی زیادی دریافت کرده ایم. لطفا بعداً دوباره امتحان کنید. جستجوکردن It2. 1p0. 4 |نقاط مهم ، مقاومت و تصادفی در آب و هوا و اکوسیستم های زمین

It2. 1/NP0. 4

چندین زیر سیستم از آب و هوا و اکوسیستم های زمین پیشنهاد شده است که به طور ناگهانی در سطوح بحرانی اجبار انسان شناسی واکنش نشان دهند. نمونه های شناخته شده شامل گردش خون واژگون شدن نصف النهار اقیانوس اطلس ، یخ های قطبی ، جنگل های گرمسیری و شاخ و برگ ، بلکه دیم های خشک است. تعامل بین عناصر مختلف اوج ممکن است یا اثرات تثبیت کننده یا بی ثبات کننده ای در زیر سیستم های دیگر داشته باشد ، که به طور بالقوه منجر به آبشارهای انتقال ناگهانی می شود.

تعیین سطح اجباری بحرانی (و عدم قطعیت های مرتبط) که فراتر از آن سیستم های مورد نظر می توانند به طور ناگهانی وضعیت خود را تغییر دهند ، با تأثیرات اقلیمی ، زیست محیطی و اجتماعی بالقوه ویرانگر ، مهم است. به همین ترتیب ، درک چگونگی کمک به چنین سیستمهایی برای افزایش مقاومت و فرار از اوج بسیار مهم است. برای این منظور ، ما باید بر اساس شواهد paleoclimatic ، مشاهدات امروزی و مدلهایی که کل سلسله مراتب پیچیدگی را شامل می شود ، درک خود را از پویایی عناصر اوج و تعامل آنها افزایش دهیم. علاوه بر این ، برای اینکه بتوانیم انتقال های احتمالی آینده را کاهش دهیم ، سیگنال های پیشرو را در هر دو مشاهده و مدل ها شناسایی و کنترل کنند.

با توجه به ماهیت تصادفی فرآیندهای سیستم زمینی غیرخطی و چند طبقه که اساسی در رفتار ناگهانی است ، مهم است که از اعتماد به نفس کاذب که از دیدگاه هایی ناشی می شود که ماهیت تصادفی چنین فرایندهایی را نادیده می گیرد ، جلوگیری شود. این همچنین می تواند موردی باشد که از یادگیری ماشین برای مدل سازی چنین فرآیندهایی استفاده می شود. به این ترتیب این جلسه همچنین به دنبال برجسته سازی استفاده از رویکردهای یادگیری داده محور و به ویژه یادگیری ماشین است.

این جلسه چند رشته ای از دیدگاه های مختلف کلیه رشته های مربوطه ، از جمله دعوت می کند

- تئوری ریاضی انتقال ناگهانی در سیستم های دینامیکی (تصادفی) ، - مطالعات paleoclimatic از انتقال ناگهانی گذشته ، - مدل سازی داده محور و مبتنی بر فرآیند انتقال های گذشته و آینده ، - سیگنال های هشدار دهنده اولیه - پیامدهای انتقال ناگهانی برای آب و هواحساسیت و پاسخ ، - تأثیرات زیست محیطی و اجتماعی ، و همچنین - نظریه تصمیم گیری در حضور برآوردهای نقطه ای نامشخص - مدل سازی احتمالی فرآیندهای سیستم زمین - تأثیرات تغییرات آب و هوایی بر انعطاف پذیری اکوسیستم - کمک به ترمیم اکوسیستم و ایجاد اکوسیستم های مقاومت در برابر آب و هوا

به اشتراک گذاری: https://meetingorganizer. copeicus. org/egu23/sessio46923 هماهنگ شده توسط CR7 Convener: |همبازی: |چهارشنبه ، 26 آوریل ، 10:45 12: 25 (CEST) ، 14:00 17: 55 (CEST) اتاق N1 |حضور در TUE ، 25 آوریل ، 16:15 - 18: 00 (CEST) سالن X4 |حضور در TUE ، 25 آوریل ، 16:15 - 18: 00 (CEST) Vhall Essi/gip چهارشنبه ، 10:45 سه شنبه ، 16:15 سه شنبه ، 16:15

شفاهی: چهارشنبه ، 26 آوریل |اتاق N1

ارائه های شفاهی در قالب ترکیبی ارائه می شود که توسط یک جلسه بزرگنمایی با ارائه های در محل و مجازی پشتیبانی می شود. دکمه دسترسی به جلسه زوم درست قبل از شروع بلوک زمان ظاهر می شود.

رئیس: Balasubramanya Nadiga ، Hannah Christensen ، Naiming Yuan مدل سازی تصادفی فرآیندهای سیستم زمینی غیرخطی 10: 45-10: 55 EGU23-1335 ارائه مجازی Changhong Mou ، Leslie M. Smith و Nan Chen

یک الگوریتم جذب داده های ترکیبی برای سیستم های پیچیده دینامیکی با مشاهدات جزئی تهیه شده است. این روش با استفاده از تجزیه طیفی در کل زمینه های مکانی و مکانی شروع می شود و به دنبال آن ایجاد یک مدل یادگیری ماشین که یک نقشه غیرخطی بین ضرایب متغیرهای حالت مشاهده شده و بدون محافظت برای هر حالت طیفی ایجاد می کند. یک مدل فیلتر Kalman طولانی مدت پارامتری غیر خطی غیر خطی ارزان قیمت (SPEKF) به عنوان مدل پیش بینی شده در فیلتر کلمن گروه برای مقابله با هر حالت مرتبط با متغیرهای مشاهده شده استفاده می شود. اعضای گروه حاصل از آن سپس در مدل یادگیری ماشین تغذیه می شوند تا مجموعه ای از متغیرهای بدون نظارت مربوطه را ایجاد کنند. علاوه بر گسترش گروه ، آموزش باقی مانده در نقشه غیرخطی ناشی از یادگیری ماشین بیشتر در تخمین حالت گنجانیده شده است که باعث می شود کمیت عدم اطمینان خلفی را پیشرفت کند. الگوریتم جذب داده های ترکیبی بر روی یک مدل شبه ژئوستروفیک بارش بارش (PQG) استفاده می شود ، که شامل اثرات بخار آب ، ابرها و بارندگی فراتر از مدل QG دو سطح کلاسیک است. غیرخطی های پیچیده در معادلات PQG مانع از روشهای سنتی از ساخت مدل های پیش بینی ساده و دقیق سفارش می شود. در مقابل ، مدل SPEKF در بازیابی حالتهای مشاهده شده متناوب مهارت دارد و مدل یادگیری ماشین به طور موثری سیگنال های بدون محافظت از هرج و مرج را تخمین می زند. با استفاده از مدلهای SPEKF و یادگیری ماشین کالیبره شده تحت کسری ابر متوسط ، جذب داده های ترکیبی حاصل در هنگام استفاده از سایر سناریوهای ژئوفیزیکی با آسمان تقریباً واضح یا بارندگی نسبتاً سنگین ، به طور منطقی دقیق باقی می ماند و دلالت بر استحکام الگوریتم برای برون یابی دارد. نحوه استناد به: MOU ، C. ، Smith ، L. M. ، and Chen ، N: ترکیب مدل های مرتبه پارامتر شده تصادفی با یادگیری ماشین برای جذب داده ها و کمیت عدم اطمینان با مشاهدات جزئی ، مونتاژ عمومی EGU 2023 ، وین ، اتریش ، 24-28 آوریل 2023 ، EGU23-1335 ، https://doi. org/10. 5194/egusphere-egu23-1335 ، 2023.

EGU23-1335

دانلود نزدیک

نویسندگان تماس

فرستنده: موضوع: متن: فقط با نویسنده تماس بگیرید همه نویسندگان (همکار) لغو کردن ارسال 10: 55 11: 05 EGU23-8645 ارائه در محل Francesco Guardamagna ، Henk Dijkstra و Claudia Weiners

به طور متوسط هر 4 سال ، دمای سطح دریا در اقیانوس آرام استوایی شرقی چند درجه بالاتر از حد معمول است. این پدیده که معمولاً در حدود کریسمس به حداکثر خود می رسد ، به ال نینو معروف است. این رویداد از طریق ارتباطات مشهور از طریق ارتباطات تأثیر زیادی بر آب و هوا در سراسر جهان دارد. وقوع ال نینو مربوط به وقایع شدید آب و هوایی است که بر افراد و خواص تأثیر می گذارد. به همین دلایل برای درک بهتر رفتار این پدیده آب و هوایی مهم است. خاصیت El Niño که ما در طول پروژه ما به آن توجه کرده ایم مربوط به سؤال تحقیق زیر است: آیا ال نینو فقط به دلیل سر و صدای خارجی است ، یا این یک پدیده خود پایدار است ، کدام دامنه با سر و صدا تقویت می شود؟برای پاسخ به این سؤال ، ما از یک ابزار یادگیری ماشین به نام رایانه مخزن استفاده کرده ایم. پس از روش آموزش ، از طریق اتصالات بازخورد ، مدل مخزن را می توان به یک سیستم در حال تحول خودمختار تبدیل کرد. نتایج ما نشان می دهد که مخزن در حال تحول خودمختار می تواند سر و صدا را از داده های آموزش حذف کند. سیگنال تولید شده در خروجی توسط مخزن در حال تحول خودمختار ، الگوهای داده های آموزش را بدون سر و صدا منعکس می کند. بنابراین می توان از این روش استفاده کرد تا درک کند که آیا نوسانات el niño فقط به دلیل سر و صدای تصادفی است ، که یک حالت پایدار را تحریک می کند ، یا یک پدیده دوره ای است ، که دامنه آن به طور تصادفی با سر و صدای خارجی افزایش می یابد. برای درک محدودیت های آن ، رویکرد ما برای اولین بار در مورد داده های تولید شده توسط مدل های مختلف ، که شبیه سازی El Niño (Jin Timmerman ، Zebiak عصا و CESM) است ، استفاده شده است. پس از این آزمایش های اول ، که در یک سناریوی کنترل شده انجام شده است ، روش ما برای داده های واقعی اعمال شده است تا ببینیم مدل مخزن خود در حال تکامل می تواند در مورد پدیده واقعی ال نینو به ما بگوید. نحوه استناد به: گارداماگنا ، F. ، دیجکسترا ، H. ، و وینرز ، ج: آیا ال نینو فقط به دلیل سر و صدا است یا یک پدیده خود پایدار است؟آوریل 2023 ، EGU23-8645 ، https://doi. org/10. 5194/egusphere-egu23-8645 ، 2023.

EGU23-8645

دانلود نزدیک 11: 05 11: 15 EGU23-9121 ارائه در محل ایرا شوکر ، پیتر هاینس و ریچ کرزول

در این مطالعه ، ما یک روش یادگیری عمیق برای استخراج یک مدل مرتبه کاهش یافته از جت های منطقه ای جوی اجباری اجباری ارائه می دهیم. این رویکرد چهار مرتبه سرعت بالایی را در شبیه سازی جت ها ، بیش از ادغام عددی ، همراه با یک نمایش نهفته با درجه پایین تر از سیستم-که برای ارائه بینش در پویایی اساسی استفاده می شود ، فراهم می کند. ما رفتار جت های زون را در هواپیمای بتا در نظر می گیریم که توسط یک مدل دو بعدی که توسط اجبار تصادفی هدایت می شود ، نشان می دهد ، که به دلیل بی ثباتی باروکلینیک ، تلاطم را پارامتر می کند. این مدل ایده آل یک آنالوگ مفید را برای تغییرات هفته به هفته در پویایی در مقیاس بزرگ جت میانسالی استوایی-محرک هوای اروپا-ارائه می دهد. ما ثابت می کنیم که تکامل زمان جت ها هم به تعامل دو طرفه غیرخطی بین میانگین جریان و eddies بستگی دارد و هم از نظر مهم ، تاریخ زمان اجبار تصادفی. در نتیجه ، وضعیت فعلی یا تاریخ اخیر سیستم تکامل رو به جلو را پیش بینی نمی کند بلکه در عوض توزیع تحولات ممکن را تعیین می کند. برای مدل سازی جریان ، ما از روشهای موجود در یادگیری مانیفولد برای یادگیری تبدیل به یک نمایش نهفته از سیستم استفاده می کنیم و سپس از یک شبکه عصبی احتمالی برای مدل سازی دینامیک تصادفی تصادفی استفاده می کنیم. ما عملکرد شبکه عصبی را با مقایسه خصوصیات آماری و طیفی یک گروه از شبکه عصبی ، به دست آمده از طریق نمونه برداری در فضای نهفته ، با یک گروه از ادغام های عددی ، با تحقق های مختلف اجباری تصادفی با شرایط اولیه یکسان تأیید می کنیم. برای مطالعه تنوع جت ، ما از گروه های مسیرها در هر دو فضای نهفته و مشاهده استفاده می کنیم تا تعیین کنیم که حالت های مختلف سیستم توسط پویایی قطعی یا تصادفی هدایت می شوند. نحوه استناد: Shokar ، I. ، Haynes ، P. ، and Kerswell ، R: یادگیری پویایی تصادفی با شبکه های عصبی احتمالی برای مطالعه جت های منطقه ای ، مجمع عمومی EGU 2023 ، وین ، اتریش ، 24-28 آوریل 2023 ، EGU23-9121، https://doi. org/10. 5194/egusphere-egu23-9121 ، 2023.

EGU23-9121

دانلود نزدیک 11: 15 11: 25 EGU23-9335 ارائه در محل مایبریت شیلینگر ، بیتریس الرولوف ، رابرت شیچل و کیرا رفلد

برای توصیف تنوع دمای زمین ، لازم است مکانیسم های اساسی و مشارکت اجزای داخلی و خارجی را درک کنیم. در اینجا ، ما از یک مدل تعادل انرژی دو جعبه تصادفی برای تقلید از تنوع میانگین دمای سطح داخلی و اجباری جهانی (GMST) استفاده می کنیم [1]. به عنوان داده های هدف برای تقلید ، ما از مشاهدات و 20 شبیه سازی هزاره اخیر از مدلهای آب و هوایی از پیچیدگی متوسط تا بالا استفاده می کنیم. ما پارامترهای EBM تصادفی را با استفاده از داده های هدف و یک رویکرد بیزی استنباط می کنیم ، همانطور که با الگوریتم زنجیره ای مونت کارلو در بسته نرم افزاری "Climbayes" ما اجرا شد [2]. این بهترین تخمین ها از پاسخ اجباری و اجباری EBM + داخلی را ارائه می دهد. با استفاده از تجزیه و تحلیل طیفی ، ما واریانس وابسته به بازه زمانی متضاد از واریانس داخلی اجباری و اجباری EBM را با هدف GMST تضاد می کنیم. یافته های ما نشان می دهد که EBM تصادفی ساده دو جعبه ، ویژگی های نوسانات دما جهانی شبیه سازی شده ، حتی از مدلهای جامع آب و هوایی را بازتولید می کند. انحرافات جزئی عمدتاً در بازه های زمانی بین سالانه رخ می دهد و مربوط به بازنمایی ساده گرایانه از تنوع داخلی در EBM است. علاوه بر این ، سهم نسبی دینامیک داخلی با پیچیدگی مدل افزایش می یابد و با بازه زمانی کاهش می یابد. درمجموع ، ما نشان می دهیم که استفاده ترکیبی از مدل های آب و هوایی تصادفی ساده و استنتاج بیزی ابزاری ارزشمند برای تقلید از تغییرپذیری آب و هوا در بازه های زمانی فراهم می کند.

[1] M. Schillinger ، B. Ellerhoff ، R. Scheichl و K. Rehfeld: "جدا کردن کمک های داخلی و خارجی اجباری به تنوع دمای جهانی با استفاده از یک چارچوب تعادل انرژی تصادفی بیزی ،" هرج و مرج ، https://doi. org/10. 1063/5. 0106123 (2022).

[2] M. Schillinger ، B. Ellerhoff ، R. Scheichl ، and K. Rehfeld ، "بسته Climbayes در R ،" Zenodo ، V. 0. 1. 1 ، https://doi. org/10. 5281/zenodo. 7317984 (2022).

نحوه استناد به: Schillinger ، M. ، Ellerhoff ، B. ، Scheichl ، R. ، and Rehfeld ، K: تقلید از اجزای داخلی و خارجی تنوع دمای جهانی با یک مدل تعادل انرژی تصادفی و رویکرد بیزی ، مونتاژ عمومی EGU 2023 ، وین، اتریش ، 24-28 آوریل 2023 ، EGU23-9335 ، https://doi. org/10. 5194/egusphere-egu23-9335 ، 2023.

EGU23-9335

دانلود نزدیک 11: 25 11: 35 EGU23-10972 ارائه در محل فابیان رومان ، دیگو لویولا ، آدریان دویکو ، وکتور مولینا گارسیا ، رونی لوتز و آتینا آرگروولی

با توجه به عملکرد سریع محاسباتی آنها ، شبکه های عصبی (NNS) امروزه معمولاً در زمینه سنجش از دور استفاده می شوند. مسئله عملکرد به ویژه در زمینه داده های بزرگ و پردازش عملیاتی از اهمیت ویژه ای برخوردار است. الگوریتم های بازیابی کلاسیک اغلب از یک مدل انتقال تابشی (RTM) به عنوان مدل رو به جلو استفاده می کنند که با استفاده از آن یک الگوریتم بهینه سازی می تواند مشکل معکوس استنباط مقادیر مورد علاقه از طیف های اندازه گیری شده را حل کند. با این حال ، این RTM ها معمولاً از نظر محاسباتی بسیار گران هستند و بنابراین جایگزین کردن آنها توسط NN مطلوب برای افزایش عملکرد است. اما استفاده از NNS ساده نیست و حداقل دو روش اصلی وجود دارد: 1. NN ها به عنوان مدل رو به جلو استفاده می شوند ، جایی که NN مدل انتقال تابشی را تقریب می دهد و بنابراین می تواند آن را در الگوریتم وارونگی 2 جایگزین کند. NNS برای حل مشکل معکوس، در جایی که NN آموزش داده می شود تا پارامترهای جوی را از اندازه گیری به طور مستقیم استنباط کند ، روش اول ساده تر است. با این حال ، الگوریتم وارونگی هنوز هم با چالش های بسیاری روبرو است ، زیرا مشکل اتصالات طیفی عموماً در معرض آن نیست. بنابراین ، حداقل محلی امکان پذیر است و نتایج اغلب به انتخاب مقادیر A-Priori برای پارامترهای بازیابی بستگی دارد. برای مورد دوم ، از برخی از این موضوعات می توان جلوگیری کرد: هیچ مقدار A-Priori لازم نیست ، و از آنجا که آموزش NN در سطح جهان انجام می شود ، یعنی برای بسیاری از نمونه های آموزشی به طور همزمان ، این رویکرد به طور بالقوه کمتر تحت تأثیر حداقل محلی قرار می گیرد. با این حال ، به دلیل ماهیت جعبه سیاه یک NN ، هیچ نشانه ای در مورد کیفیت نتایج در دسترس نیست. به منظور رسیدگی به این مسئله ، روشهای جدید مانند شبکه های عصبی بیزی (BNN) یا شبکه های عصبی غیرقابل تحمل (Inns) در سالهای اخیر ارائه شده است. این اجازه می دهد تا توصیف مقادیر بازیابی شده با برآورد عدم قطعیت توصیف طیف وسیعی از مقادیر که احتمالاً برای تولید اندازه گیری مشاهده شده هستند. ما این روشهای جدید BNN و مسافرخانه را برای بازیابی خواص ابری از تروپومی به منظور نشان دادن پتانسیل آنها به عنوان الگوریتم های عملیاتی برای مأموریت های ترکیب جوی فعلی (Sentinel-5) و آینده (Sentinel-4 و Sentinel-5) استفاده و ارزیابی می کنیم. چگونه استناد کنیم: Romahn ، F. ، Loyola ، D. ، Doicu ، A. ، Molina García ، V. ، Lutz ، R. ، and Argyrouli ، A: کمیت عدم اطمینان برای بازیابی خواص ابر با شبکه های عصبی عمیق برای تروپومی/Sentinel-5 پیشرو ، مجمع عمومی EGU 2023 ، وین ، اتریش ، 24-28 آوریل 2023 ، EGU23-10972 ، https://doi. org/10. 5194/EGUSPHERE-EGU23-10972 ، 2023.

EGU23-10972

دانلود نزدیک 11: 35 11: 45 EGU23-8340 ارائه در محل

فردی بوچت ، جورج میلوسویچ ، فرانچسکو راگون ، الساندرو لوو ، پیر بورگنات و پاتریس ابری