土壤传递函数模型的研究进展

研究评述了线性回归、非线性回归、神经网络等方法构建土壤传递函数模型的优缺点,介绍了传递函数模型及其应用不确定性分析中常用的Bootstrap analysis、改进的Monte Carlo、最小二乘法等方法,探讨了输入数据、模型结构和参数对传递函数及其应用不确定性的影响,并指出今后可借鉴分析法里的格林函数法和耦合去耦等方法开展土壤传递函数及其预测不确定性的研究,明确传递函数模型不确定性的主要来源,提高模型的应用效率。

梅雨降水季节预测的多方法比较

基于1961—2000年逐月降水观测资料和全球大气再分析资料,分析了6—7月长江中下游(108°~123°E,27°~33°N)梅雨的时空分布特征。通过观测诊断和数值试验确定了影响梅雨异常偏多的3个前期因子:4—5月平均的西北太平洋海平面气压正异常;3月至5月北大西洋海平面气压负变压倾向;1月至4月西伯利亚的2 m温度负倾向。利用这3个具有物理意义的影响因子构建了梅雨季节预测模型,该模型在训练期(1961—2000年)和独立预测期(2001—2022年)均具有显著的预测技巧(相关系数分别为0.79和0.77,均方根误差分别为0.59和0.68)。同时,基于相似的潜在预测因子,对比了利用偏最小二乘回归方法和5种机器学习方法(随机森林、轻量级梯度提升机、自适应提升、类别型特征提升、极端梯度提升)建立的预测模型的技巧。虽然训练期(1961—2000年)偏最小二乘回归和机器学习建模拟合效果更高,但在独立预测期(2001—2022年)上述模型的预测技巧显著降低(相关系数均低于0.44,均方根误差均大于0.93),出现了明显的过拟合问题。本研究强调梅雨的短期气候预测应建立在物理机制基础之上,而使用机器学习方法需谨慎。

一种星载GNSS-R海风反演的卡尔曼滤波模型

针对传统星载全球卫星导航系统反射计(GNSS-R)测风,通过建立经验性的地球物理模型函数(GMF)进行风速反演时,会因反射信号数据质量较差而出现异常结果,若执行严格的数据质量控制,则会降低数据利用率,最终影响星载GNSS-R测风的空间覆盖率的问题,提出1种基于卡尔曼(Kalman)滤波的风速反演算法:利用差分整合移动平均自回归模型(ARIMA)得到状态方程和观测方程,并将GMF反演的风速值作为观测值,从而建立Kalman滤波模型,实现星载GNSS-R风速反演的实时校正和优化。实验结果表明,该方法的风速反演均方根误差能够满足风速测量要求,并有效提升星载GNSS-R测风的空间覆盖率。

联合Sentinel-1与Sentinel-2数据的青藏高原东缘草地地上生物量反演

为探究协同主被动遥感在估算草地地上生物量(AGB)方面的潜力,本研究以青藏高原东缘阿坝藏族羌族自治州红原县为研究区,Sentinel-1 SAR数据和Sentinel-2多光谱影像为数据源,采用多元线性回归、逐步回归、半经验物理模型方式进行建模,探究Sentinel-1和Sentinel-2数据协同反演草地AGB的能力。结果表明,协同反演精度优于Sentinel-2单一数据源反演精度(多元线性回归模型的模型精度R2从0.74增加到了0.83)。另外,联合Sentinel-1和Sentinel-2数据,采用逐步回归方法建立AGB模型,模型精度R2达到了0.78;半经验物理模型的模型精度R2为0.77。总体上,Sentinel-1影响因子能在一定程度上提高了反演模型精度,多种建模方式最终反演的AGB结果与实测草地AGB相符,研究结果可为研究区乃至整个青藏高原东缘草地AGB精确估算提供科学依据。

冬季混合态降水的研究进展及展望

冬季混合态降水的预报一直是气象预报的难点之一,微小的温度变化就会形成不同的降水相态。系统地回顾了最近几十年来冬季混合态降水的形成机制及预报方法,雨-雪过渡区的混合态降水如冻雨、冰粒和雨夹雪形成的物理机制非常相似,三者均可通过“融化机制”形成,冻雨和冰粒可通过“暖雨机制”形成,地面降水相态的变化主要取决于大气温度的垂直廓线。冬季混合态降水预报方法包括从起初的统计预报到后来的半经验-半物理模型、数值模式和机器学习模型,其预报准确率也相应提高,但目前对混合态降水相态的预报准确率仍相对较低。未来的研究方向是加强对混合态降水相态微物理形成机制的研究,同时开展机器学习及集成预报等方法,最终提高数值预报模式对混合态降水相态的预报能力。