基于机器学习的海洋环境预报订正方法研究     

许立兵  王安喜  汪纯阳  陈悦  陈昱文  周峥  陈幸荣  邢建勇  刘克威  黄小猛 《海洋通报》2020,39(6):695-704

结合中尺度数值模式 WRF 预报数据和 ERA5 再分析资料，利用机器学习方法对 WRF 预报场的风场、温度、气压进行预报订正。采用 ERA5 作为真值，与原始 WRF 预报相比，利用随机森林模型可以将预报结果整体均方根误差降低 44%以 上，利用深度神经网络模型可以将预报结果整体均方根误差降低 34%以上。通过随机森林模型实验得到不同输入特征对预报要素的影响程度，分析了关键的预报订正因子。  相似文献   

清华大学CIESM模式及其参与CMIP6的方案     

林岩銮  黄小猛  梁逸爽  秦怡  徐世明  黄文誉  徐芳华  刘利  王勇  彭怡然  王兰宁  薛巍  付昊桓  张广俊  王斌  李锐喆  张诚  卢麾  阳坤  罗勇  白玉琪  宋振亚  王敏琦  赵文婕  张峰  徐敬蘅  赵曦  陆春松  骆亦其  陈奕兆  胡勇  唐强  陈德训  杨广文  宫鹏 《气候变化研究进展》2019,15(5):545-550

世界气候研究计划（WCRP）组织实施第六次国际耦合模式比较计划（CMIP6),清华大学联合国内多家单位,通过多年的模式研发,完成联合地球系统模式（CIESM),除了CMIP6的气候诊断、评估和描述试验（DECK）和历史气候模拟试验（Historical),模式拟参与6个CMIP6子计划。通过介绍该模式的基本情况及其参与的试验子计划,为今后模式试验数据使用者提供参考。  相似文献   

基于机器学习的风场预报订正方法研究          下载免费PDF全文

许立兵  孔扬  周峥  王安喜  梁逸爽 《陕西气象》2023,(1):15-20

为了实现更准确的站点风预报,结合中尺度数值模式WRF预报结果和自动气象站观测数据,采用反距离加权插值法,将模式网格和观测站点的数据进行融合构建训练集,利用3种机器学习方法对WRF预报的风场结果进行订正,优化风场预报准确率。其中随机森林模型实现风速的预报均方根误差(RMSE)平均降低了18.22%,风向降低了15.97%;LightGBM模型对于风速、风向的RMSE平均降低了18.60%和17.56%;深度神经网络模型对于风速、风向的RMSE平均降低了5.53%和9.10%。对2020年宁波市9个大风过程进行检验,利用LightGBM模型对于3个站点预报进行订正,结果表明风速的RMSE从4.61 m/s下降到2.14 m/s,平均降低了53.58%,风向的RMSE从30.31°下降到18.20°,平均降低了39.95%。  相似文献