地球系統(tǒng)模式通過(guò)數(shù)學(xué)物理方程刻畫地球系統(tǒng)的各種物理過(guò)程,是預(yù)測(cè)未來(lái)氣候變化趨勢(shì)不可或缺的工具。由于網(wǎng)格分辨率的限制,模式中次網(wǎng)格尺度的物理現(xiàn)象不得不用物理參數(shù)化方案來(lái)表征。借助多源觀測(cè)對(duì)地球系統(tǒng)模式中物理方案參數(shù)進(jìn)行合理估計(jì)是模式開(kāi)發(fā)和應(yīng)用過(guò)程中的關(guān)鍵環(huán)節(jié),也是提升模式模擬能力的有效途徑。然而,地球系統(tǒng)模式是典型的高性能計(jì)算程序,運(yùn)行一次需要極高的時(shí)間和計(jì)算成本。同時(shí),模式物理方案參數(shù)空間維度高,具有強(qiáng)非線性、多峰等特點(diǎn)。這些都對(duì)目前基于先驗(yàn)和人工的參數(shù)選取方法帶來(lái)挑戰(zhàn)。本文研究如何自動(dòng)高效的對(duì)地球系統(tǒng)模式的物理方案參數(shù)進(jìn)行優(yōu)化和估計(jì)。主要工作包括:(1)針對(duì)模式參數(shù)估計(jì)問(wèn)題,提出了采用改進(jìn)的代理回歸模型來(lái)比較評(píng)估不同數(shù)值優(yōu)化算法性能的方法。采用統(tǒng)計(jì)回歸和深度學(xué)習(xí)模型,發(fā)掘和利用不同變量間的依賴關(guān)系提高多變量代理模型的參數(shù)空間表征能力。在對(duì)我國(guó)知名大氣模式GAMIL2的16個(gè)輸出變量的回歸中,超過(guò)80%變量的代理模型得到了優(yōu)化。該方法用于模式參數(shù)估計(jì)優(yōu)化算法的評(píng)估,可大大降低評(píng)估過(guò)程中的計(jì)算成本,為研究新算法提供快速、有效平臺(tái)。(2)提出了高維參數(shù)降維、最優(yōu)化算法初值預(yù)處理和局部?jī)?yōu)化算法...

【文章頁(yè)數(shù)】：120 頁(yè)

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
Abstract
主要符號(hào)對(duì)照表
第1章 引言
    1.1 論文背景與意義
        1.1.1 地球系統(tǒng)模式的發(fā)展
        1.1.2 地球系統(tǒng)模式中的不確定性
        1.1.3 不確定性量化分析
    1.2 地球系統(tǒng)模式參數(shù)估計(jì)面臨的關(guān)鍵問(wèn)題
    1.3 本文研究的主要內(nèi)容和貢獻(xiàn)
        1.3.1 本文的研究?jī)?nèi)容
        1.3.2 本文的組織及各章內(nèi)容簡(jiǎn)介
        1.3.3 本文的主要貢獻(xiàn)
第2章 相關(guān)工作
    2.1 地球系統(tǒng)模式
    2.2 反向的不確定性量化分析方法
        2.2.1 人工搜索優(yōu)化估計(jì)
        2.2.2 數(shù)值優(yōu)化算法
        2.2.3 后驗(yàn)概率分布方法
        2.2.4 數(shù)據(jù)同化方法
        2.2.5 算法評(píng)測(cè)方法
    2.3 前向的不確定性演化分析方法
        2.3.1 代理回歸模型
        2.3.2 參數(shù)敏感性分析
    2.4 不確定性量化分析工具
    2.5 小結(jié)
第3章 基于代理模型的優(yōu)化算法比較評(píng)估方案
    3.1 前言
    3.2 評(píng)估優(yōu)化算法的困難
    3.3 地球系統(tǒng)模式的代理模型
        3.3.1 多項(xiàng)式代理模型
        3.3.2 Kriging代理模型
        3.3.3 MARS代理模型
    3.4 混合深度代理模型
        3.4.1 深度信念網(wǎng)絡(luò)
        3.4.2 深度信念網(wǎng)絡(luò)優(yōu)化代理模型
    3.5 測(cè)試和分析
        3.5.1 數(shù)據(jù)采樣和預(yù)處理
        3.5.2 基礎(chǔ)代理模型的擬合結(jié)果
        3.5.3 混合深度代理模型性能改進(jìn)
        3.5.4 基于代理模型對(duì)不同優(yōu)化算法的性能評(píng)測(cè)
    3.6 小結(jié)
第4章 地球系統(tǒng)模式多步參數(shù)估計(jì)方法
    4.1 前言
    4.2 參數(shù)敏感性分析
        4.2.1 Morris敏感性分析方法
        4.2.2 Sobol敏感性分析方法
    4.3 優(yōu)化算法初值預(yù)處理
    4.4 單純形下山算法對(duì)模式參數(shù)尋優(yōu)
    4.5 優(yōu)化性能評(píng)估
        4.5.1 優(yōu)化算法初值預(yù)處理的性能
        4.5.2 三步優(yōu)化算法的性能
    4.6 模式優(yōu)化機(jī)理分析
    4.7 小結(jié)
第5章 基于短期數(shù)值天氣預(yù)報(bào)方法的模式參數(shù)估計(jì)
    5.1 前言
    5.2 模式介紹和優(yōu)化估計(jì)目標(biāo)函數(shù)
        5.2.1 CAM5模式介紹
        5.2.2 優(yōu)化估計(jì)目標(biāo)函數(shù)
    5.3 基于改進(jìn)的短期數(shù)值天氣預(yù)報(bào)方法的參數(shù)估計(jì)流程
        5.3.1 短期數(shù)值天氣預(yù)報(bào)方法介紹和改進(jìn)
        5.3.2 基于短期數(shù)值天氣預(yù)報(bào)方法的參數(shù)估計(jì)
    5.4 實(shí)驗(yàn)結(jié)果
        5.4.1 短期數(shù)值天氣預(yù)報(bào)和長(zhǎng)時(shí)間模擬的相似性
        5.4.2 基于短期數(shù)值天氣預(yù)報(bào)方法優(yōu)化估計(jì)的結(jié)果
        5.4.3 長(zhǎng)時(shí)間模擬的驗(yàn)證
    5.5 小結(jié)
第6章 面向地球系統(tǒng)模式參數(shù)估計(jì)的自動(dòng)化框架
    6.1 前言
    6.2 自動(dòng)化框架結(jié)構(gòu)
        6.2.1 ESMUQ自動(dòng)化框架結(jié)構(gòu)
        6.2.2 ESMUQ自動(dòng)化框架配置與實(shí)例
    6.3 基于分布式文件系統(tǒng)的高效地球系統(tǒng)模式數(shù)據(jù)分析框架
        6.3.1 目的和相關(guān)工作
        6.3.2 關(guān)鍵技術(shù)
        6.3.3 框架結(jié)構(gòu)
        6.3.4 實(shí)驗(yàn)評(píng)估和結(jié)果
    6.4 小結(jié)
第7章 總結(jié)與展望
    7.1 總結(jié)
    7.2 下一步工作
參考文獻(xiàn)
致謝
個(gè)人簡(jiǎn)歷、在學(xué)期間發(fā)表的學(xué)術(shù)論文與研究成果



本文編號(hào)：4010891