基于集成学习的全球农地区域旱情监测方法与研究

农业是对全球变化响应最为敏感的部门之一,也是国民经济发展和社会稳定的基石。在全球农地区域,利用2002—2020年的MODIS数据分别计算归一化植被指数(NDVI)、植被健康指数(VHI)、叶面积指数(LAI)、总初级生产力指数(GPP),通过皮尔森相关系数(r)分别检验不同遥感指数之间的相关性,以评估不同指数在全球农地监测中的适用性和一致性,结果表明:不同遥感指数在全球的农地区域具有较好的相关性,每8d的NDVI与VHI、LAI、GPP的相关性分别为0.70、0.72、0.60,呈强相关。基于ERA5再分析资料,利用机器学习方法对多遥感指数进行融合,提高旱情监测的准确性,基于逻辑回归、贝叶斯模型、XGBoost模型、LightGBM及Stacking集成学习模型,在测试集上的分类准确率分别为0.69、0.66、0.84、0.83及0.86,基于集成学习融合策略可以有效提高旱情分类的准确率,本文的研究为全球农地旱情监测提供了新的思路和方法,具有较为重要的科研意义与广泛的应用价值。

基于机器学习的风场预报订正方法研究

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%。

清华大学CIESM模式及其参与CMIP6的方案

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。