利用葵花8号卫星资料反演中国东部地区地面PM2.5浓度

为了得到中国东部地区大范围的地面PM_(2.5)浓度分布,用机器学习方法建立一个模型,用2019年葵花8号静止卫星大气顶层反射率数据和欧洲中心气象资料作为输入数据,地面PM_(2.5)浓度作为输出数据。验证结果表明,在不同时间尺度下,该模型对中国东部地区均有较高的精度。对于小时PM_(2.5)的浓度反演,该模型的十折交叉验证的相关系数为0.82,均方根误差为20.11μg/m^(3)。将2019全年卫星‒气象格点数据放入模型,得到中国东部地区全年逐小时的PM_(2.5)格点数据,利用该格点数据分析中国东部地区PM_(2.5)浓度的季节变化和空间分布,取得良好的效果。

使用人工神经网络改进2022年北京冬奥会数值天气预报后处理过程的算法研究

提出一种基于先进机器学习算法的纯客观、实时天气预报后处理方法。该方法使用历史数值天气预报结果和实况观测值,训练出一个人工神经网络模型,再将该模型应用于每日实时发布的数值天气预报结果中,得到台站级别的天气要素预报结果。于张家口市和北京市分别建立该模型,并使用2005—2020年的观测数据和模式数据进行训练、验证和调优。结果表明,该模型预报的5个常规气象要素的预报误差普遍优于一元线性回归、多元线性回归以及数值天气预报模式的原始输出值,尤其对3天以内的天气预报具有明显优势。基于该模型发展的全自动实时后处理系统已于2020年11月1日开始每日自动化地输出预报结果,并服务于2022年北京冬奥会的气象保障工作。

基于人工神经网络开发中国地区统计降尺度气候预估数据

针对中国地区的气候预估问题,开发一套高时空分辨率(空间分辨率:0.25°;时间分辨率:逐日)的统计降尺度气候变化数据集。降尺度气候预估结果表明:1)在传统降尺度方法的基础上引入人工神经网络算法,开发高时空分辨率的降尺度气候数据,技术上简便可行;2)将这种新方法应用到模式的历史模拟数据上,温度和降水的气候态偏差显著减小,其中部分地区的温度偏差可从5℃减至1℃以下,降水偏差可从5 mm减至0.5 mm以内;3)将这种新方法应用到模式的未来情景数据上,既能保留气候模式原有的对长期趋势的估计,又可进一步微调幅度和空间分布,其中在RCP8.5情景中,到本世纪末,中国各地温度普遍升高3~4℃,降水总量变化不大,但有北方增多、南方减少的微弱趋势。所提出的基于人工神经网络的统计降尺度方法对温度变量具有一定的普适性,所开发的高分辨率气候变化数据集可以在其他全球变化相关学科的研究中使用。