冬奥会复杂山地百米尺度10m风速预报的机器学习订正对比试验

本文以传统机器学习算法XGBoost和深度学习算法CU-Net为基础,针对北京快速更新无缝隙融合与集成预报系统(RISE系统)预报的北京冬奥会延庆及张家口赛区100米分辨率的冬季近地面10 m风速数据,进行每日逐小时起报的未来逐6小时间隔的冬奥高山站点及其周边地区风速预报偏差订正方法研究和对比分析。对于站点订正,首先将RISE系统预测的10 m风速插值到对应的自动气象站站点,然后根据风速等级表归类,针对每个分类单独构建XGBoost模型,每个区间模型合并后形成L-XGBoost,使用均方根误差和预报准确率作为评分标准,结果表明风速归类的L-XGBoost算法订正效果比不归类的原始XGBoost模型有一定提升,说明在传统机器学习中加入归类方法有助于改善复杂山地站点风速预报技巧。对于站点及其周边地区风速订正,本文在CUNet模型基础上,通过引入不同深度的CU-Net子网络,构建了新的算法模型CU-Net++,并考虑了预报日变化误差和复杂地形对10 m风速的影响,以自动气象站为中心构建空间小区域样本数据,对RISE系统风速预报偏差进行订正。试验结果表明,CU-Net和CU-Net++均可以充分挖掘时间和空间维度的风场变化规律,且CU-Net++模型风速订正结果优于CU-Net模型,有效降低了RISE产品的格点风速预报误差,也发现预报误差和复杂地形的引入对10 m风速偏差订正起到重要的正向作用。

不同尺度下蒸散量测算方法的应用及展望

在水资源日益稀缺的背景下,蒸散作为陆地水循环的重要组成部分,对水资源管理和农业灌溉方案的制定都起着决定性作用。在全球尺度上,蒸散量整体呈现出了明显的随时间增加趋势,但区域尺度及流域尺度的蒸散变化则呈现出较大的不确定性,并且在一些下垫面比较复杂的地区,如喀斯特小流域,蒸散作为流域水循环的重要组成部分往往难以准确测定,所以更需要因地制宜地选择蒸散量测算方法。基于此,本文以各种方法的研究尺度为切入点,将当前被广泛接受的蒸散研究方法分为小尺度方法,即针对单体植株和适用于田块尺度的蒸散研究方法,包括树干液流法、零通量面法、风调室法、蒸渗仪法以及土壤-植被-大气连续体(SPAC)水分传输综合模拟法;百米尺度方法,包括波文比法和涡动相关法;公里尺度方法,主要包括闪烁仪法;流域及区域尺度方法,包括水量平衡法和空间遥感法。概述了各个方法的应用范围、特点以及局限性,列举了前人工作中各种方法之间的对比验证,着重分析了闪烁仪方法在复杂下垫面的应用前景,以便在不同研究条件和研究尺度下能选择最佳的蒸散量测算方法,并对未来蒸散研究进行了展望。

宇宙射线中子法在土壤水分监测研究中的应用进展

宇宙射线中子法(cosmic ray neutron probe,CRNP)是一种通过监测近地表宇宙射线中子流变化来预测土壤含水量的方法。该方法的突出特点在于百米范围的监测尺度,填补了传统点测量和遥感大范围监测间的尺度空缺,并为中小尺度农田、环境和水文等方面研究提供一种新的土壤水监测新技术。在介绍用CRNP法测量土壤含水量基本原理的基础上,分析了该方法测量结果的空间尺度代表性以及大气、土壤和植被等环境因素对其测量结果的影响;综述了近年来该方法在农业管理、水文研究和气象预报等领域的应用进展和动态以及当前研究中存在的问题和今后可能的发展方向。通过对相关研究成果的总结和分析,期望为该技术的深入发展和推广应用提供帮助。