Zusammenfassung - Intrasaisonal Äquatoriale Kelvin- und Rossby-Wellen in modernen AI-ML-Modellen

Intrasaisonal Äquatoriale Kelvin- und Rossby-Wellen in modernen AI-ML-Modellen

2025-07-10 17:37:07

{"Shrutee Jalan","Jai Sukhatme"}

{physics.ao-ph}

Das Papier "Intrasezonale äquatoriale Kelvin- und Rossby-Wellen in modernen AI-ML-Modellen" von Shrutee Jalan und Jai Sukhatme untersucht die Darstellung großer skaliertes konvektiv gekoppelte Kelvin- und Rossby-Wellen in modernen AI-ML-Modellen. Die Studie nutzt vier der neuesten datengetriebenen Wettermodelle: PanguWeather, GraphCast, FourCastNet und Aurora. Die Forscher haben mehrere Läufe dieser Modelle durchgeführt, um ihre Fähigkeit zu bewerten, die Struktur von Kelvin- und Rossby-Wellen zu erfassen. Sie analysierten Wellenzahlfrequenzdiagramme der zonalen Winde aus allen Modellen und fanden eine klare Signatur von Rossby- und Kelvin-Wellen mit entsprechenden Tiefen, die mit Beobachtungen und Reanalysen übereinstimmen. Für Kelvin-Wellen erfassten die Modelle die richtigen horizontalen Konvergenzmuster in der unteren und oberen Troposphäre, vertikale Neigungen der Temperatur, Feuchtigkeit und vertikalen Geschwindigkeit sowie den Phasenbezug zwischen Temperatur- und vertikalen Geschwindigkeitsanomalien. Allerdings gab es zwischen den Modellen bemerkenswerte Unterschiede, wie z.B. kleinere vertikale Neigungen und falsche Oberflächentemperaturanomalien in GraphCast sowie relativ schwache konvergente Strömungen in PanguWeather. Bei Rossby-Wellen hatten die Modelle mehr Schwierigkeiten. Während die horizontalen Wirbel erfasst wurden, war die vertikale Struktur der Temperatur und der Divergenz falsch. Die Temperaturanomalie war in allen vier Modellen unvereinbar mit der Natur der vertikalen Geschwindigkeit. Merkwürdigerweise waren die Anomalien von Feuchtigkeit und vertikaler Geschwindigkeit viel näher an den Beobachtungen. Nur zwei Modelle (GraphCast und FourCastNet) erfassten die zeitgleiche Entstehung tiefen vertikalen Bewegungen mit Feuchtigkeitsanomalien. Insgesamt, während die Darstellung dieser großen Wellen ermutigend ist, erfordern Probleme mit der Struktur der Rossby-Wellen und die Unstimmigkeiten zwischen den Feldern weitere Untersuchungen. Die Studie hebt das Potenzial von AI-ML-Modellen zur Erfassung tropischer Variabilität hervor und suggests, dass weitere Forschung erforderlich ist, um ihre Genauigkeit bei der Darstellung von Rossby-Wellen und anderen komplexen atmosphärischen Phänomenen zu verbessern.