Reply on RC1
Creators
- 1. Fundación Ciencias Exactas y Naturales
- 2. Instituto Franco-Argentino sobre Estudios de Clima y sus Impactos
- 3. University of Buenos Aires
- 4. Institute of Astronomy and Space Physics
Description
Abstract. Data assimilation is a relevant framework to merge a dynamical model with noisy observations. When various models are in competition, the question is to find the model that best matches the observations. This matching can be measured by using the model evidence, defined by the likelihood of the observations given the model. This study explores the performance of model selection based on model evidence computed using data-driven data assimilation, where dynamical models are emulated using machine learning methods. In this work, the methodology is tested with the three-variable Lorenz model and with an intermediate complexity atmospheric general circulation model (a.k.a. the SPEEDY model). Numerical experiments show that the data-driven implementation of the model selection algorithm performs as well as the one that uses the dynamical model. The technique is able to select the best model among a set of possible models and also to characterize the spatiotemporal variability of the model sensitivity. Moreover, the technique is able to detect differences among models in terms of local dynamics in both time and space which are not reflected in the first two moments of the climatological probability distribution. This suggests the implementation of this technique using available long-term observations and model simulations.
Translated Descriptions
Translated Description (Arabic)
الملخص. استيعاب البيانات هو إطار ذو صلة لدمج نموذج ديناميكي مع ملاحظات صاخبة. عندما تكون هناك نماذج مختلفة في المنافسة، فإن السؤال هو العثور على النموذج الذي يتطابق بشكل أفضل مع الملاحظات. يمكن قياس هذه المطابقة باستخدام دليل النموذج، والذي يتم تحديده من خلال احتمالية الملاحظات المعطاة للنموذج. تستكشف هذه الدراسة أداء اختيار النموذج بناءً على أدلة النموذج المحسوبة باستخدام استيعاب البيانات القائمة على البيانات، حيث يتم محاكاة النماذج الديناميكية باستخدام أساليب التعلم الآلي. في هذا العمل، يتم اختبار المنهجية مع نموذج لورينز ثلاثي المتغيرات ومع نموذج الدوران العام للغلاف الجوي المتوسط التعقيد (المعروف أيضًا باسم النموذج السريع). تُظهر التجارب العددية أن التنفيذ القائم على البيانات لخوارزمية اختيار النموذج يؤدي كذلك التنفيذ الذي يستخدم النموذج الديناميكي. هذه التقنية قادرة على اختيار أفضل نموذج من بين مجموعة من النماذج الممكنة وأيضًا لتمييز التباين المكاني والزماني لحساسية النموذج. علاوة على ذلك، فإن التقنية قادرة على اكتشاف الاختلافات بين النماذج من حيث الديناميكيات المحلية في كل من الزمان والمكان والتي لا تنعكس في اللحظتين الأوليين من توزيع الاحتمالات المناخية. وهذا يشير إلى تنفيذ هذه التقنية باستخدام الملاحظات طويلة الأجل المتاحة ومحاكاة النماذج.Translated Description (French)
Résumé. L'assimilation de données est un cadre pertinent pour fusionner un modèle dynamique avec des observations bruitées. Lorsque différents modèles sont en compétition, la question est de trouver le modèle qui correspond le mieux aux observations. Cette correspondance peut être mesurée en utilisant les preuves du modèle, définies par la probabilité des observations données au modèle. Cette étude explore la performance de la sélection de modèles basée sur des preuves de modèles calculées à l'aide de l'assimilation de données pilotée par les données, où les modèles dynamiques sont émulés à l'aide de méthodes d'apprentissage automatique. Dans ce travail, la méthodologie est testée avec le modèle de Lorenz à trois variables et avec un modèle de circulation générale atmosphérique de complexité intermédiaire (alias le modèle RAPIDE). Les expériences numériques montrent que l'implémentation pilotée par les données de l'algorithme de sélection de modèle fonctionne aussi bien que celle qui utilise le modèle dynamique. La technique est capable de sélectionner le meilleur modèle parmi un ensemble de modèles possibles et également de caractériser la variabilité spatio-temporelle de la sensibilité du modèle. De plus, la technique est capable de détecter des différences entre les modèles en termes de dynamique locale à la fois dans le temps et dans l'espace qui ne se reflètent pas dans les deux premiers moments de la distribution de probabilité climatologique. Cela suggère la mise en œuvre de cette technique à l'aide d'observations à long terme et de simulations de modèles disponibles.Translated Description (Spanish)
Resumen. La asimilación de datos es un marco relevante para fusionar un modelo dinámico con observaciones ruidosas. Cuando varios modelos están en competencia, la cuestión es encontrar el modelo que mejor se adapte a lo observado. Esta coincidencia se puede medir utilizando la evidencia del modelo, definida por la probabilidad de lo que se observa en el modelo. Este estudio explora el rendimiento de la selección de modelos basada en la evidencia del modelo calculada utilizando la asimilación de datos basada en datos, donde los modelos dinámicos se emulan utilizando métodos de aprendizaje automático. En este trabajo, la metodología se prueba con el modelo de Lorenz de tres variables y con un modelo de circulación general atmosférica de complejidad intermedia (también conocido como modelo RÁPIDO). Los experimentos numéricos muestran que la implementación basada en datos del algoritmo de selección de modelos funciona tan bien como la que utiliza el modelo dinámico. La técnica es capaz de seleccionar el mejor modelo entre un conjunto de modelos posibles y también de caracterizar la variabilidad espaciotemporal de la sensibilidad del modelo. Además, la técnica es capaz de detectar diferencias entre modelos en términos de dinámica local tanto en el tiempo como en el espacio que no se reflejan en los dos primeros momentos de la distribución de probabilidad climatológica. Esto sugiere la implementación de esta técnica utilizando los resultados a largo plazo disponibles y simulaciones de modelos.Files
gmd-15-7203-2022.pdf.pdf
Files
(6.3 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:808ee44304c984a70e8a5976d2cff47b
|
6.3 MB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- الرد على RC1
- Translated title (French)
- Réponse sur RC1
- Translated title (Spanish)
- Responder en RC1
Identifiers
- Other
- https://openalex.org/W4283021446
- DOI
- 10.5194/gmd-2021-434-ac1