利用机器学习模拟湿物理参数化方案OA北大核心CSTPCD
数值天气预报模式的湿物理参数化方案对降水预报有很大影响。常规湿物理参数化方案计算复杂、计算量大,且存在较大不确定性。文中采用4种机器学习算法即基于决策树的梯度提升算法(LightGBM)、全连接神经网络(FC)、卷积神经网络(CNN)和卷积块注意力模块(CBAM)提取数值预报模式变量网格点周围的局部信息建模。针对一次中国南海台风过程开展湿物理参数化方案模拟试验,试验表明,4种机器学习模型均能较好地模拟湿物理参数化方案的温、湿效应,能够刻画台风对流活动产生的热源和水汽汇的螺旋结构。位温倾向在对流层中层误差较大,比湿倾向在对流层低层误差较大,随着预报时效延长模型的模拟能力有所降低。
陈锦鹏;冯业荣;黄奕丹;蔡乐天;洪晓湘;文秋实;
厦门市海峡气象开放重点实验室,厦门361012 福建省灾害天气重点实验室,福州350001 福建省漳州市气象局,漳州363005中国气象局广州热带海洋气象研究所/广东省区域数值天气预报重点实验室,广州510641 粤港澳大湾区气象监测预警预报中心,深圳518038福建省漳州市气象局,漳州363005中国气象局广州热带海洋气象研究所/广东省区域数值天气预报重点实验室,广州510641
大气科学
机器学习湿物理参数化数值天气预报模式
《气象学报》 2024 (001)
P.113-126 / 14
国家自然科学基金联合基金项目(U1811464);厦门市科技局指导性科技专项项目(3502Z20214ZD4014);中国气象局/广东省区域数值天气预报重点实验室开放基金项目(J202005)。
评论