天气与气候的众多特征和驱动因素之间存在着相互耦合和影响，但科学家尚无法用简单的统一方程式充分描述这些复杂的关系。目前数值天气预报中采用的参数化方法虽然简化了物理过程，使模式可以在合理的时间内产生相对准确的结果，但是仍然比较耗费计算时间。在最新的研究中，科学家关注行星边界层（PBL），其动力学（例如风速、温度和湿度曲线）对于确定大气层其他部分和地球上的许多物理过程至关重要。

该研究使用由数值天气预报WRF模式生成的20年数据来训练神经网络，并利用2年数据来评估该方法的准确性。研究表明，考虑输入和输出变量之间关系潜在结构的深度神经网络可以成功地模拟出风速、温度和水汽随时间的变化。经过训练的神经网络可以从一个位置预测附近位置的行为，与测试数据相比，相关性高于90%。科学家的最终目标是用深度神经网络取代WRF模型中昂贵的参数化设置，以实现更快、更高分辨率的模拟。

转载本文请注明来源及作者：中国科学院兰州文献情报中心《地球科学动态监测快报》2019年第22期，刘燕飞 编译。