用图形神经网络对气溶光学特性进行零射击学习

科学领域:

• 大气科学 大气科学
• 气候科学 气候科学
• 计算物理 计算物理

背景情况:

• 黑碳 (BC) 气溶是具有复杂形状的显著气候强迫剂,在辐射效应计算中引入不确定性.
• 目前用于确定BC光学属性的方法是计算密集的,这限制了它们在实时大气模型和遥感中的使用.
• 了解BC的光学特性对于准确的气候建模和了解气溶气候相互作用至关重要.

研究的目的:

• 开发一种计算效率高的方法来计算黑碳气溶的光学特性.
• 展示图形神经网络 (GNN) 在预测复杂和任意形状粒子的气溶光学特性方面的能力.
• 为了使准确的气溶光学属性估计能够整合到气候模型和遥感应用中.

主要方法:

• 数字模拟黑色碳碎片聚合物的生成.
• 训练图形神经网络 (GNN) 以基于BC聚合物的形态学来预测光学特性.
• 在训练数据集之外的更大和任意形状的粒子上测试GNN的概括能力 (零射击学习).

主要成果:

• 经过训练的GNN准确地预测了BC碎形聚合物的光学特性.
• 该GNN表现出强大的概括能力,准确地估计了比训练集中的粒子更大的粒子的特性.
• 该模型成功地在任意形状的粒子上进行零射击学习,表明了强度.

结论:

• 图形神经网络提供了一个计算高效和准确的方法来估计像黑碳这样复杂的气溶的单颗粒光学特性.
• 这种基于GNN的方法可以提高用于大气模型和遥感反射中的辐射转移代码的准确性.
• 该方法为更好地理解气溶微尺度结构和宏观辐射强迫之间的关系提供了一条途径.