Buchumschlag

Generative data-driven approaches for stochastic subgrid parameterizations in an idealized ocean model

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Perezhogin, Pavel, Zanna, Laure, Fernandez-Granda, Carlos
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Atmospheric and Oceanic Physics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Generalizable neural-network parameterization of mesoscale eddies in idealized and global ocean models
von: Perezhogin, Pavel, et al.
Veröffentlicht: (2025)

A stable implementation of a data-driven scale-aware mesoscale parameterization
von: Perezhogin, Pavel, et al.
Veröffentlicht: (2023)

Calibration of a neural network ocean closure for improved mean state and variability
von: Perezhogin, Pavel, et al.
Veröffentlicht: (2026)

A data-driven framework for dimensionality reduction and causal inference in climate fields
von: Falasca, Fabrizio, et al.
Veröffentlicht: (2023)

Impact of Data-Driven Eddy Parameterization on Climate State in an Idealized Coupled CESM Model
von: Shi, Jia-Rui, et al.
Veröffentlicht: (2026)

Fourier analysis of the physics of transfer learning for data-driven subgrid-scale models of ocean turbulence
von: Darman, Moein, et al.
Veröffentlicht: (2025)

An Analysis of Deep Learning Parameterizations for Ocean Subgrid Eddy Forcing
von: Gultekin, Cem, et al.
Veröffentlicht: (2024)

Controls on the ocean response to idealized Antarctic meltwater input
von: Basinski-Ferris, Rory, et al.
Veröffentlicht: (2025)

Large eddy simulation of ocean mesoscale eddies
von: Perezhogin, Pavel, et al.
Veröffentlicht: (2025)

Transfer Learning for Emulating Ocean Climate Variability across $CO_2$ forcing
von: Dheeshjith, Surya, et al.
Veröffentlicht: (2024)

Data-driven multiscale modeling for correcting dynamical systems
von: Otness, Karl, et al.
Veröffentlicht: (2023)

Estimation of temperature and precipitation uncertainties using quantile neural networks
von: Brettin, Andrew, et al.
Veröffentlicht: (2026)

Building Ocean Climate Emulators
von: Subel, Adam, et al.
Veröffentlicht: (2024)

Machine learning for online sea ice bias correction within global ice-ocean simulations
von: Gregory, William, et al.
Veröffentlicht: (2023)

A Data-Driven Approach for Parameterizing Submesoscale Vertical Buoyancy Fluxes in the Ocean Mixed Layer
von: Bodner, Abigail, et al.
Veröffentlicht: (2023)

Towards a Unified Data-Driven Boundary Layer Momentum Flux Parameterization for Ocean and Atmosphere
von: Falga, Renaud, et al.
Veröffentlicht: (2025)

Data-Driven Probabilistic Air-Sea Flux Parameterization
von: Wu, Jiarong, et al.
Veröffentlicht: (2025)

Uncertainty-permitting machine learning reveals sources of dynamic sea level predictability across daily-to-seasonal timescales
von: Brettin, Andrew, et al.
Veröffentlicht: (2025)

Samudra: An AI Global Ocean Emulator for Climate
von: Dheeshjith, Surya, et al.
Veröffentlicht: (2024)

Structure-preserving stochastic parameterization of a barotropic coupled ocean-atmosphere model with Ornstein--Uhlenbeck noise
von: Sharma, Kamal Kishor, et al.
Veröffentlicht: (2026)

The Impact of Natural External Forcing on Ocean Heat Uptake Efficiency Since the 1980s
von: Shi, Jia-Rui, et al.
Veröffentlicht: (2025)

Overcoming set imbalance in data driven parameterization: A case study of gravity wave momentum transport
von: Yang, L. Minah, et al.
Veröffentlicht: (2024)

A data-driven global ocean forecasting model with sub-daily and eddy-resolving resolution
von: Niu, Yuan, et al.
Veröffentlicht: (2025)

A Framework for Hybrid Physics-AI Coupled Ocean Models
von: Zanna, Laure, et al.
Veröffentlicht: (2025)

Advancing global sea ice prediction capabilities using a fully-coupled climate model with integrated machine learning
von: Gregory, William, et al.
Veröffentlicht: (2025)

Generative AI for subgrid turbulence in large-eddy simulations
von: Cheng, Yu, et al.
Veröffentlicht: (2025)

Lacking oceanic-driven internal multidecadal climate variability is compensated by forced variability in model simulations
von: Hébert, Raphaël, et al.
Veröffentlicht: (2025)

Physics and causally constrained discrete-time neural models of turbulent dynamical systems
von: Falasca, Fabrizio, et al.
Veröffentlicht: (2026)

Parameterizing Vertical Mixing Coefficients in the Ocean Surface Boundary Layer using Neural Networks
von: Sane, Aakash, et al.
Veröffentlicht: (2023)

Formulation and calibration of CATKE, a one-equation parameterization for microscale ocean mixing
von: Wagner, Gregory LeClaire, et al.
Veröffentlicht: (2023)

Online learning in idealized ocean gyres
von: Maddison, James R.
Veröffentlicht: (2024)

Southern Ocean latent heat flux variability driven by oceanic meso- and submesoscale motions
von: Reymondet, Lucie, et al.
Veröffentlicht: (2026)

CAMulator: Fast Emulation of the Community Atmosphere Model
von: Chapman, William E., et al.
Veröffentlicht: (2025)

Metastability, atmospheric midlatitude circulation regimes and large-scale teleconnection: a data-driven approach
von: Mukhin, Dmitry, et al.
Veröffentlicht: (2024)

Hyperlocal urban NO2 hotspot modeling driven by microscopic traffic data
von: Weger, Michael, et al.
Veröffentlicht: (2026)

Flo: A data-driven limited-area storm surge model
von: Kristensen, Nils Melsom, et al.
Veröffentlicht: (2026)

Prediction of Tropical Pacific Rain Rates with Over-parameterized Neural Networks
von: You, Hojun, et al.
Veröffentlicht: (2023)

Blended parameterization in an atmospheric model: Improving severestorm ensemble prediction by considering uncertainties in model physics
von: Mai, Khanh Hung, et al.
Veröffentlicht: (2025)

Hybrid physics-data-driven modeling for sea ice thermodynamics and transfer learning
von: De Cillis, Giovanni, et al.
Veröffentlicht: (2026)

Effect of grid anisotropy, resolution, and subgrid-scale models in pseudo-spectral Large Eddy Simulations of low-level clouds
von: Selvatici, Davide, et al.
Veröffentlicht: (2026)