[论文解读] Stochastic Climate Theory

Georg A. Gottwald, Daan Crommelin+1 more|arXiv (Cornell University)|Dec 22, 2016

Climate variability and models参考文献 84被引用 6

一句话总结

本文提出了一套基于Mori-Zwanzig形式化的严谨理论框架，用于随机气候建模，通过将慢变量与快速、未解析的动力分离，实现系统化的模型降维。它展示了记忆效应和噪声结构如何从确定性混沌中涌现，并主张将该形式化方法与数据驱动的漂移和扩散系数估计相结合，以提升气候预测能力。

ABSTRACT

In this chapter we review stochastic modelling methods in climate science. First we provide a conceptual framework for stochastic modelling of deterministic dynamical systems based on the Mori-Zwanzig formalism. The Mori-Zwanzig equations contain a Markov term, a memory term and a term suggestive of stochastic noise. Within this framework we express standard model reduction methods such as averaging and homogenization which eliminate the memory term. We further discuss ways to deal with the memory term and how the type of noise depends on the underlying deterministic chaotic system. Secondly, we review current approaches in stochastic data-driven models. We discuss how the drift and diffusion coefficients of models in the form of stochastic differential equations can be estimated from observational data. We pay attention to situations where the data stems from multi scale systems, a relevant topic in the context of data from the climate system. Furthermore, we discuss the use of discrete stochastic processes (Markov chains) for e.g. stochastic subgrid-scale modeling and other topics in climate science.

研究动机与目标

• 通过将大尺度慢变量动力与快速未解析尺度分离，发展一种系统化、数学上严谨的气候系统模型降维方法。
• 解决在气候模型中准确表征亚网格尺度过程的挑战，而无需解析所有小尺度动力。
• 通过将Mori-Zwanzig形式化与经验估计相结合，弥合基于物理的模型降维（如平均化、均质化）与数据驱动的随机建模之间的差距。
• 研究记忆效应和非马尔可夫动力在随机气候模型中的作用，这些因素在当前参数化中常被忽略。
• 通过将随机参数化建立在统计力学和动力系统理论基础上，支持开发更精确、计算效率更高的气候模型。

提出的方法

• 应用Mori-Zwanzig形式化推导慢变量的随机方程，将动力分解为马尔可夫项、记忆项和噪声项。
• 利用时间尺度分离和与大量快速变量的弱耦合假设，通过中心极限定理证明在混沌快速动力极限下噪声趋于高斯分布。
• 使用统计推断技术，从观测或模拟数据中估计随机微分方程的漂移和扩散系数。
• 通过随机模型中的非马尔可夫项引入记忆效应，承认当前模型常忽略此类贡献。
• 将物理约束建模（如能量守恒、稳定性）与数据驱动拟合相结合，以提高模型可靠性并减少过拟合。
• 探索在气候系统中使用离散马尔可夫链进行亚网格尺度建模，特别是在对流等过程的参数化中。

实验结果

研究问题

• RQ1 Mori-Zwanzig形式化如何系统地推导出具有未解析快速尺度的气候系统的随机模型？
• RQ2 在何种条件下，中心极限定理可证明在随机气候模型中使用高斯噪声的合理性？
• RQ3 如何在随机模型中捕捉慢变量动力中的记忆效应？为何这些效应在当前气候模型中常被忽略？
• RQ4 气候变异性中的长程依赖（LRD）对检测外部强迫趋势有何影响？Mori-Zwanzig形式化能否解释此类行为？
• RQ5 如何通过引入能量守恒和稳定性等物理约束，改进数据驱动的漂移和扩散系数估计？

主要发现

• Mori-Zwanzig形式化为从确定性系统推导随机模型提供了严谨的数学框架，可将慢变量与快速未解析动力分离。
• 时间尺度分离与对大量快速变量的弱耦合，导致噪声在混沌快速动力极限下渐近趋于高斯分布，从而为气候模型中的随机参数化提供理论依据。
• 随机动力中的记忆效应不可忽略，且常被忽视；其引入可显著提升模型保真度，尤其在具有持久相关性的系统中。
• 从观测数据中进行漂移和扩散系数的数据驱动估计是可行且有效的，尤其当结合能量守恒等物理约束时。
• 基于该形式化的随机参数化可在计算成本仅为高分辨率确定性模型几分之一的情况下，实现相当的预测能力，如Dawson和Palmer（2014）的研究所示。
• 该形式化表明，气候系统中的长程依赖行为可能源于粗粒化动力中的记忆效应，为持久随机趋势提供了潜在的物理解释。