您好!欢迎访问上海台风研究所!

科研成果

科研进展:基于流依赖的机器学习模型反演全地表、全天候大气三维温度场

发布时间:2024-09-23 11:30:56   作者: 牛泽毅

近期,中国气象局上海台风研究所、上海市气象局AI+数值新质团队牛泽毅助研在AGU旗下人工智能杂志JGR-Machine Learning and Computation发表研究成果。该研究基于第一颗晨昏轨道业务星风云三号E星载荷微波温度计(MWTS-3)的观测亮温来实时反演全地表、全天候大气三维温度场。研究表明,基于深度学习算法(NN,如图1)反演的各层大气温度的均方根误差(RMSE)要明显小于传统多元线性回归(REG)反演的结果,尤其在近地表NN反演的温度场与ERA5基本一致(如图2)。此外,在晴空条件下NN反演的温度廓线在对流层整层的RMSE基本小于1K,体现了较高的反演精度。


图1 典型深度神经网络概念结构,包含输入层、隐藏层和输出层。其中激活函数是神经网络拟合非线性特征的重要工具。


图2 1000 hPa NN反演温度场和ERA5插值温度场的空间分布。

此外,研究发现对于固定的测试集,用测试集前3-7天的数据来训练NN模型与采用4个月数据来训练NN模型(E4x30)效果基本相当,表明了临近数据的重要性。如图3,基于流依赖NN模型F15(15天数据训练)和B3(3天数据训练)反演台风“海葵”(2023)的暖心结构与E4x30基本一致,且B3能一定程度反应对流层中下层的弱暖心结构,具有一定的流依赖性。本研究旨在基于卫星微波温度计反演全地表、全天候大气温度廓线,后续将基于数值模式开展反演廓线的同化研究,拟改进台风的路径和强度预报。

图3 ERA5和不同NN模型对台风“海葵”暖心反演的垂直分布。

论文信息:

Zeyi Niu & Xiaolei Zou, 2024. A New Machine Learning Approach for Deriving Atmospheric Temperatures and Typhoon Warm Cores from FY-3E MWTS-3 Observations, JGR-Machine Learning and computation, 1,e2024JH000170.

原文链接:

https://agupubs.onlinelibrary.wiley.com/doi/full/10.1029/2024JH000170

此外,E4x30模型参数已公开在https://github.com/ZeyiNiu/ML/tree/main/Examples



扫码阅读原文

(文/审:牛泽毅 复审:张蕾 终审:黄伟)