当你在早晨查看天气预报时，你看到的结果很有可能是由天气研究和预报（WRF）模型得出的，该模型是一个全面的模型，可以模拟我们周围自然世界的许多方面的变化。

从云层到太阳辐射，从雪到植被，甚至还有被摩天大楼扰乱的风。

天气和气候的无数特征相互耦合，相互影响。科学家尚未使用简单的统一方程式来描述这些复杂的关系。取而代之的是，他们使用称为参数化的方法对这些关系进行近似处理，在该方法中，它们以大于实际现象的比例对关系进行建模。 尽管参数化以某种方式简化了物理过程，使模型可以在合理的时间内产生相对准确的结果，但是它们计算的成本仍然昂贵。来自Argonne的环境科学家和计算科学家正在合作使用机器学习的一种类型——深度神经网络来代替WRF模型中某些物理方案的参数化，从而减少处理时间。

在最近的一项研究中，科学家们专注于行星边界层（PBL），即大气的最低部分。PBL是人类活动影响最大的大气层，它仅延伸到地表上方几百米。该层中的动力学（例如风速，温度和湿度曲线）对于确定大气层和地球上的许多物理过程至关重要。

PBL是WRF模型中的关键组件，但它也是计算成本最低的组件之一。这使得它成为研究深度学习神经网络如何以相同方式增强更复杂组件的绝佳测试平台。

美国能源部计算机科学家Prasanna Balaprakash说：“我们使用了20年的WRF模型中的计算机生成数据来训练神经网络，并使用了两年的数据来评估它们是否可以为基于物理的参数设置提供准确的替代方法。” 

任何机器学习项目都需要大量高质量的数据，并且本研究不缺乏数据。ALCF和国家能源研究科学计算中心的超级计算资源，完成了300多年（700 TB）数据的生成，这些数据描述了过去，现在和未来的天气以及北美的气候。Balaprakash开发了神经网络，并对其进行了训练，以通过从两个位置（堪萨斯州和阿拉斯加一个位置）提供10000多个数据点（每天8个）来学习输入与输出之间的抽象关系。结果是一种算法，科学家相信该算法可以替代WRF模型中的PBL参数化。

该算法称为域感知神经网络，该算法考虑了已知的关系，不仅可以更准确地预测环境数据，而且与不考虑域专业知识的算法相比，它们所需的训练数据也要少得多。

科学家证明，考虑输入和输出变量之间关系的某些底层结构的深层神经网络可以成功地模拟随时间变化的风速，温度和水蒸气数据。结果还表明，一个受过训练的神经网络可以从一个位置预测附近位置的状态，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学习神经网络取代WRF模型中所有昂贵的参数化设置，以实现更快，更高分辨率的模拟。目前，该团队正在努力模拟长波和短波太阳辐射的参数化，使WRF模型的两个部分合起来所需的时间尽可能缩短。