Prediction of ENSO using multivariable deep learning

本文基于残差神经网络和观测数据构建了一套深度学习多因子预报测模型,以改进厄尔尼诺-南方涛动(ENSO)的预报.该模型基于最大信息系数进行因子时空特征提取,并根据泰勒图的评估标准可自动确定关键预报因子进行预报.该模型在超前8个月以内的预报性能要优于当前传统的业务预报模式.2011–2018年间,该模型的预报性能优于多模式集成预报的结果.在超前6个月预报时效上,模型预报相关性可达0.82,标准化后的均方根误差仅为0.58°C,多模式集成预报的相关性和标准化后的均方根误差分别为0.70和0.73°C.该模型春季预报障碍问题有所缓解,并且自动选取的关键预报因子可用于解释热带和副热带热动力过程对于ENSO变化的影响.

云滴谱湍流拓宽和暖雨形成过程:综述（英文）

研究目的:介绍暖云降水之谜,总结湍流起伏和夹卷对云滴谱拓宽和暖雨形成过程的影响,包括观测、实验、模拟和理论方面取得的成果。重点阐述我国上世纪五六十年代在湍流起伏方面的突出成绩。重要结论:过饱和度、云滴数浓度、含水量和垂直速度等的起伏对凝结和碰并过程有显著影响。中国和俄罗斯科学家最早把随机凝结过程引入到云物理研究中。夹卷过程可能是暖云降水之谜的一个解。系统理论表明:湍流强度越大,云滴谱越宽。