yeyelu
热点资讯
- 绫 丝袜 全红婵大湾区晚会大叫演唱,成龙要签名,她的影响力有多大?
- VR视角 前锋一刀切波波头, 外翘发尾别样魔力
- magic_sex5 2024年12月27日天下主要批发商场黄肚仔价钱行情
- bad news 丝袜 经济日报:擢升“善贷”智商守旧科创企业
- VR视角 国投瑞银基金杨枫旗下国投优化A/B三季报最新抓仓,重仓裕同科技
- 巨乳 探花 《二十四史》名言三十句,历代灵敏一览无遗
- VR视角 锐评|节日里的中国红,写满了信念的神色
- VR视角 中国科技期刊超卓行为磋议推介: AAS(2025年第1期)
- VR视角 没花若干钱但王人用对症了(重度痴肥上岸)
- 自慰 英文 中国电信中标成果:淮安市妇幼保健院国度传染病智能监测数据上报政务专线作事采购姿色成交成果公告
- 发布日期:2025-01-16 03:53 点击次数:199
VR视角
Current Issue
Table of Content
Volume 42 · Issue 1 · Pages 1-247
Perspectives
Predictability Study of Weather and Climate Events Related to Artificial Intelligence Models
Mu, M., B. Qin, and G. K. Dai, 2025: Predictability study of weather and climate events related to artificial intelligence models. Adv. Atmos. Sci., 42(1), 1−8, https://doi.org/10.1007/s00376-024-4372-7.
图1 大气科学中的融会-不雅测-建模商榷范式
撮要: 天气与风景事件的可预告性商榷聚焦于厘清产生预告破绽的原因和机制, 进而给出减小预告不笃定性的模范和阶梯, 这不仅有助于篡改不雅测和预告系统, 还能深入对天气和风景场所的领悟. 在已往数十年里, 能源数值模式一直是天气风景事件可预告性商榷的主要器具, 于今已取得紧要进展. 在大数据时间, 随同东说念主工智能(AI)本领的裸露发展与海量气象数据的赓续积贮, 基于数据运行模范的天气与风景建模和预告正成为一大趋势, FourCastNet、Pangu-Weather和GraphCast是其中奏效的前驱. 在这篇不雅点著述中, 作家建议不仅要将AI模子用于预告, 更应充分利用AI模子的高效用和自带优化模块的上风, 将其应用于天气风景可预告性问题商榷中. 为此, 作家最初指出, AI模子应具备细巧的时空分辨率和对天气风景事件的高模拟能力, 以保险其可被用于两类可预告性问题商榷中. 具备与能源数值模式模拟能力相等的AI模子可被觉得以数据运行的形状提供出偏微分方程的数值解. 然后, 作家明确了些许要道的可预告性科常识题, 并将其滚动为具体的非线性优化问题. 这些问题可通过AI模子高效求解, 对提高天气与风景事件的预告技能具有贫穷的科学价值. 此外, 作家主义股东AI模子融入“融会-不雅测-建模”的商榷范式中. 在该范式中, 在AI模子中开展天气风景事件的可预告性商榷不仅随机运行“大数据”向“大且更好的数据”转型, 还能促进“AI for forecasts”向“AI for Science”越过, 进一步股东大气和海洋科学的发展.
【封面故事】特邀不雅点|穆穆团队:联系AI模子的天气风景可预告性问题商榷
Original Paper
TianXing: A Linear Complexity Transformer Model with Explicit Attention Decay for Global Weather Forecasting
Yuan, S. J.VR视角, G. S. Wang, B. Mu, and F. F. Zhou, 2025: TianXing: A linear complexity transformer model with explicit attention decay for global weather forecasting. Adv. Atmos. Sci., 42(1), 9−25, https://doi.org/10.1007/s00376-024-3313-9.
图1 天行模子结构默示图
撮要: 在本文中, 咱们冷落了一种名为“天行”(TianXing)的数据运行的天气预告模子. 该模子基于Transformer架构, 引诱了物理增强遐想, 以已毕高效且精确的内行天气预告. 比年来, 近似的基于Transformer的模子, 如盘古、风乌和伏羲, 已冉冉成为数值天气预告的有劲替代决策. 关联词, 这些模子在测验过程中平常需要耗损大批磋议资源, 况且在模子框架中对已知物理机制的引诱相对有限. 与之比较, 天行遴荐了线性复杂度的醒宗旨机制, 使得模子的磋议复杂度随输入数据分辨率成线性增长, 从而大幅裁汰了对GPU资源的需求, 且形成的精度上的蚀本十分轻微. 此外, 天行在其线性醒宗旨机制中还引入了物理指引的显性醒宗旨衰减机制, 进一步进步了预告能力. 该机制不错凭证特征在地球名义的球面距离和学习到的荒芜多变量耦合关系, 再行调整醒宗旨权重, 从而使天行模子索要特征时更善良邻近的和物理相关的特征. 为了提高中期预告的性能, 天行模子还遴荐了堆叠自总结预磋议法进行测验. 咱们先在分辨率为5.625°的ERA5再分析数据上考据了模子架构的灵验性, 然后基于0.25°的高分辨率数据集进行模子的测验. 模子预告技能标明, 天行在统计磋议如纬度加权RMSE和ACC中展现了瓦解上风, 尤其是在Z500(位势高度)和T850(温度)等大气变量上发扬优异, 超越了以往的数据运行模子以及高分辨率业务预告模式NCEP GFS和ECMWF IFS. 此外,天行模子在台风等极点天气事件的揣度中也发扬出色.
Improving the Seasonal Forecast of Summer Precipitation in Southeastern China Using a CycleGAN-based Deep Learning Bias Correction Method
Yang, S., F. H. Ling, J.-J. Luo, and L. Bai, 2025: Improving the seasonal forecast of summer precipitation in Southeastern China using a CycleGAN-based deep learning bias correction method. Adv. Atmos. Sci., 42(1), 26−35, https://doi.org/10.1007/s00376-024-4003-3.
图S1 轮回一致性生成抗争网罗(CycleGAN)的基本框架
撮要: 准确的季节性降水揣度, 尤其是极点事件的揣度, 对于谢绝气象灾害过头对国度发展、社会行为和安全可能产生的影响至关贫穷. 关联词, 对于好多现存的能源模式而言, 夏日降水的强度频频被大幅低估. 本商榷遴荐一种名为轮回一致性生成抗争网罗(CycleGAN)的深度学习模范, 用于篡改南京信息工程大学风景揣度系统(NUIST-CFS 1.0)对中国东南部6至8月的季节性降水揣度. 商榷收尾标明, 与传统的分位数映射(QM)模范比较, 基于CycleGAN的模子权臣提高了夏日降水时空漫步揣度的准确性. 使用非配对的破绽修订模子, 还有助于咱们在极点降水事件的频率、强度和持续时期等方面取得远超能源模式的揣度成果. 本商榷彭胀了深度学习模子在篡改季节性降水揣度方面的潜在应用.
A Machine Learning-Based Observational Constraint Correction Method for Seasonal Precipitation Prediction
Zhang, B. F., H. P. Yu, Z. Y. Hu, P. Yue, Z. Y. Tang, H. Y. Luo, G. T. Wang, and S. L. Cheng, 2025: A machine learning-based observational constraint correction method for seasonal precipitation prediction. Adv. Atmos. Sci., 42(1), 36−52, https://doi.org/10.1007/s00376-024-4191-x.
图1 LightGBM模范本领悟线。上半部分是LightGBM模子的测验阶段,其中X0清楚揣度因子,Y清楚不雅测数据。下半部分为揣度阶段。BCC-CSM经过插值处理后的预告数据X1被用来行为预告因子,通过测验阶段学习到的非线性总结关系F,磋议得到 F(X1),即揣度的收尾。
撮要: 季节降水是风景揣度的重心和难点. 现存能源-统计相引诱的不雅测不竭修订模范通过设立能源模式数据和站点不雅测贵府之间的线性总结关系, 随机在一定进程上揣度季节降水. 关联词, 使用线性总结算法管束非线性问题会存在权臣偏差. 本商榷基于BCC-CSM模式数据和站点不雅测贵府, 使用机器学习模子Light Gradient Boosting Machine (LightGBM) 对现存的线性不雅测不竭修订模子进行非线性优化, 篡改中国夏日降水揣度成果. 模子的测验使用滚动形状进行, 成果对比标明LightGBM模子的发扬优于线性总结模子(LR), Extreme Gradient Boosting(XGBoost)和Categorical Boosting (CatBoost). 经过对机器学习模子参数调优, 利用BCC-CSM模式中8个不同预告因子揣度明天夏日降水, 2019-2022年夏日降水揣度的距平相关扫数(ACC)平均值为0.17, 揣度评分(PS)平均值达到74. 其中PS相较于 BCC-CSM和线性不雅测不竭模范分别提高了7.87%和6.63%. 与现存的线性不雅测不竭决策比较, 遴荐LightGBM的不雅测不竭修订揣度权臣且褂讪地提高了中国夏日降水的揣度技能, 为中国夏日防汛抗旱提供了参考.
Unsupervised Meteorological Downscaling Based on Dual Learning and Subgrid-scale Auxiliary Information
Hu, J., J. L. Mu, X. M. Huang, and X. Wu, 2025: Unsupervised meteorological downscaling based on dual learning and subgrid-scale auxiliary information. Adv. Atmos. Sci., 42(1), 53−66, https://doi.org/10.1007/s00376-024-3336-2.
图1 DualDS的结构图。图中的黑框清楚每次测验迭代所遴荐的立时LR图像块,红框清楚LR图像块对应的援手图像块。“ Assist data”是亚网格模范的援手信息。AUP是带有援手数据不竭的上采样器,GDN是用于生成假LR图像块的下采样器,DDN是用于识别LR图像块真假的辩别器。结构图的左侧部分清楚后向轮回过程,右侧部分清楚前向轮回过程。
撮要: 气象降模范随机将大模范气象数据妥洽为具有丰富细节信息的小模范数据, 普通应用于风景模拟、数值天气预告和可再生能源等界限. 尽管基于深度学习的降模范模范随机灵验捕捉气象数据在不同模范之间的复杂非线性映射, 基于监督学习的深度学习降模范模范在扩充中却面对着高分辨率数据不及的窘境, 而无监督模范则由于小模范的不笃定性, 难以从有限的大模范输入中准确推断出小模范细节. 本文冷落了一种对偶学习框架DualDS, 利用基于生成抗争网罗的神经网罗和亚网格模范的援手信息进行气象降模范. 该模范通过上、下采样器构成一个双向的网罗框架,其中下采样器用于模拟升模范过程中的信息丢失过程, 上采样器用于重建丢失的细节并纠正升模范过程中产生的破绽. 这种对偶学习战术不错在测验过程中摈斥对高分辨率真值数据的依赖, 并通过不竭映射过程来优化降模范收尾. 实验收尾标明, DualDS在定性和定量上都不错与几种起首进的深度学习降模范模范相比好意思. 具体而言, 在单一地表温度数据降模范任务中, 咱们的模范与其他使用疏通数据集的无监督算法比较, 峰值信噪比提高了0.469 dB, 结构通常性提高了0.017,RMSE裁汰了0.08, 况且相关扫数发扬最好. 要而论之, 本文冷落了一种新的模范来管束无监督降模范过程中的小模范不笃定性问题.
A Generative Adversarial Network with an Attention Spatiotemporal Mechanism for Tropical Cyclone Forecasts
Li, X. H., X. H. Han, J. S. Yang, J. K. Wang, G. Q. Han, J. Ding, H. Shen, and J. Yan, 2025: A generative adversarial network with an attention spatiotemporal mechanism for tropical cyclone forecasts. Adv. Atmos. Sci., 42(1), 67−78, https://doi.org/10.1007/s00376-024-3243-6.
撮要: 热带气旋是复杂而苍劲的天气系统, 准确揣度其旅途、结构和强度仍然是气象商榷中的要道焦点和挑战. 本文冷落了一种醒宗旨时空揣度生成抗争网罗(AST-GAN)模子, 用于揣度热带气旋的时空漫步. 该模子在明天15小时内以每3小时为终止揣度热带气旋风速的空间漫步, 重心善良气旋中心、高风速区域过头非对称结构. 为了灵验捕捉不同期间步长的时空特征传递, 咱们遴荐了通说念醒宗旨机制进行特征取舍, 进步了模子性能并减少了参数冗余. 咱们利用HWRF数据测验模子, 使其随机掌抓大批热带气旋畅通模式. 该模子可应用于多种复杂景色, 如多个热带气旋同期出动或热带气旋登陆. 与HWRF的信得过数据对比, 所冷落的模子在举座风速揣度的均方根破绽(RMSE)为0.71 m s−1, 最大风速的RMSE为2.74 m s−1, 展示了可靠的揣度性能. 此外, 模子在使用ERA5再分析数据进行微合资孤独测试后, 展示了其褂讪性和可彭胀性. 在对ERA5数据集进行微调后, 模子在风速和最大风速的RMSE分别达到1.33 m s−1 和1.75 m s−1.
Vision Transformer for Extracting Tropical Cyclone Intensity from Satellite Images
Tian, Y., W. Zhou, P. K. Y. Cheung, and Z. C. Liu, 2025: Vision transformer for extracting tropical cyclone intensity from satellite images. Adv. Atmos. Sci., 42(1), 79−93, https://doi.org/10.1007/s00376-024-3191-1.
图1 基于视觉Transformer和卫星影像的热带气旋强度估测
撮要: 热带气旋(TC)强度估测是其监测与预告的基础. 比年来, 引诱深度学习和卫星影像数据的TC强度估测算法已被普通应用, 并取得了较高的精度. 本文基于视觉Transformer(Vision Transformer, ViT)架构, 构建了ViT-TC模子. 该模子遴荐包括红外(IR)、水汽(WV)和被迫微波(PMW)在内的热带气旋卫星影像数据行为输入估测TC强度. 实验标明, 将IR、WV和PMW行为模子输入相较于其他的输入组合, 其估测精度更高. 而蚁集平均模范不错使ViT-TC模子估测收尾的均方根破绽和平均皆备破绽分别进一步裁汰至9.32节和6.49节. 收尾夸耀, ViT-TC模子的估测成果要瓦解优于传统模范, 且与现存的深度学习模子相等. 对模子醒宗旨漫步的分析夸耀, 模子对高PMW值的区域分拨了较高的醒宗旨权重, 这标明高PMW值是TC强度估测的要道信号. 同期. 模子对云层粉饰区域分拨了高醒宗旨权重, 标明其通过从卫星影像数据索要TC云系和眼区来判定TC强弱.
Joint Retrieval of PM2.5 Concentration and Aerosol Optical Depth over China Using Multi-Task Learning on FY-4A AGRI
Li, B., D. S. Fu, L. Yang, X. H. Fan, D. Z. Yang, H. R. Shi, and X.-A. Xia, 2025: Joint retrieval of PM2.5 concentration and aerosol optical depth over China using multi-task learning on FY-4A AGRI. Adv. Atmos. Sci., 42(1), 94−110, https://doi.org/10.1007/s00376-024-3222-y.
图4 MTL模子构架。分享层(左)和特定层(右)均为全麇集(FC)。分享层遴荐硬参数分享,特定层则遴荐软参数分享。
撮要: 气溶胶光学厚度(AOD)和直径小于便是2.5 µm的细颗粒物(PM2.5)在空气质料、东说念主类健康和风景变化中饰演着贫穷脚色. 关联词,AOD与PM2.5之间复杂的相关性及现存反演算法的局限性,使得在归拢方位精确反演这两个参数面对庞杂挑战. 为支吾这一问题, 本文冷落了一种基于多任务学习(MTL)的模子, 旨在已毕PM2.5浓度与AOD的合资反演. 该模子应用于风浪四号A星先进静止轨说念放射成像仪(FY-4A AGRI)获取的大气顶部反射率数据, 并与两种单任务学习模子——立时丛林(RF)和深度神经网罗(DNN)——进行了对比. 具体而言,MTL在AOD反演中的决定扫数(R2)为0.88, 均方根破绽(RMSE)为0.10. 与RF比较,R2增多了0.04,RMSE减少了0.02, 反演收尾在预期破绽界限内的百分比(Within-EE)增多了5.55%. MTL对PM2.5的R2和RMSE分别为0.84和13.76 µg m−3. 与RF比较,R2增多了0.06,RMSE减少了4.55 µg m−3, Within-EE 增多了7.28%. 此外,与DNN比较,MTL在AOD 反演中的R2增多了0.01, RMSE减少了0.02, Within-EE 相应增多了2.89%. 对于PM2.5的反演,MTL的R2增多了0.05, RMSE减少了1.76 µg m−3, Within-EE增多了 6.83%. 评估收尾标明, MTL模子随机同期进步AOD和PM2.5反演的准确性, 尤其在高效捕捉两者空间漫步方面发扬出权臣上风.
Short-Term Rolling Prediction of Tropical Cyclone Intensity Based on Multi-Task Learning with Fusion of Deviation-Angle Variance and Satellite Imagery
Tian, W., P. Song, Y. Y. Chen, Y. H. Zhang, L. G. Wu, H. K. Zhao, K. T. C. Lim Kam Sian, and C. Y. Xiang, 2025: Short-Term rolling prediction of tropical cyclone intensity based on multi-task learning with fusion of deviation-angle variance and satellite imagery. Adv. Atmos. Sci., 42(1), 111−128, https://doi.org/10.1007/s00376-024-3301-0.
撮要: 热带气旋(TC)是最严重的当然灾害之一, 准确的热带气旋行为揣度是谢绝和安靖灾害的要道. 比年来, 热带气旋轨迹揣度取得紧要进展, 但强度揣度能力瓦解滞后. 当今, 热带气旋强度揣度的商榷以大气再分析数据为商榷对象, 通过深层学习挖掘热带气旋相关环境因素与强度之间的关系. 关联词, 再分析数据在实质上狠恶实时的, 难以得志业务预告应用需求. 强对流云团对称化进程和对流强度, 将偏角方差与卫星图像会通来构建热带气旋对流结构与强度的相关性. 针对热带气旋复杂的动态过程, 本文使用卷积神经网罗(CNN)学习那时序特征和空间特征. 在实时强度臆想这一主任务下, 多任务学习起到隐式时序增强作用. 模子遐想了滚动战术, 旨在缓解永恒依赖衰减问题, 进步短期强度揣度的精度. 计议到多个任务之间的相关性, 对12小时和24小时的蚀本函数进行了修正. 在西北太平洋TC样本上的实验收尾标明, TC-Rolling模子在6小时、12小时和24小时强度揣度上的均方根破绽(RMSE)分别为4.48 kt、5.78 kt和13.94 kt. 通过与官方机构的TC纪录对比, 考据了该模子的灵验性.
Regional Storm Surge Forecast Method Based on a Neural Network and the Coupled ADCIRC-SWAN Model
Sun, Y., P. Hu, S. Q. Li, D. X. Mo, and Y. J. Hou, 2025: Regional storm surge forecast method based on a neural network and the coupled ADCIRC-SWAN model. Adv. Atmos. Sci., 42(1), 129−145, https://doi.org/10.1007/s00376-024-3306-8.
图3 神经网罗架构(以ΔT输入时期终止为例)。蓝色框代表多通说念特征图,通说念数在框上方标注,特征图的尺寸由框左下角的数字清楚,自色框代表复制的特征图。不同神采的前头代表不同的操作。
撮要: 实时准确的风暴潮揣度不错灵验谨防台风风暴潮在沿海地区形成庞杂的经济损成仇东说念主员伤一火. 当今, 数值模子揣度耗损资源过多, 磋议时期过长, 而神经网罗揣度艰巨区域数据来测验区域揣度模子. 本商榷使用DUAL风模子构建台风风场, 并使用耦合的Advanced Circulation–Simulating Waves Nearshore (ADCIRC-SWAN)模子构建了南海北部75个过程的台风数据库. 然后, 使用台风数据库测验了具有Res-U-Net结构的神经网罗, 以揣度考据数据网络的台风过程, 并在珠江口地区取得了出色的风暴潮揣度成果. 通过添加分支结构和移动学习, 提高了强台风风暴潮揣度的成果.
TGNet: Intelligent Identification of Thunderstorm Wind Gusts Using Multimodal Fusion
Zhang, X. W., Y. G. Zheng, H. D. Zhang, J. Sheng, B. J. Lu, and S. Feng, 2025: TGNet: Intelligent identification of thunderstorm wind gusts using multimodal fusion. Adv. Atmos. Sci., 42(1), 146−164, https://doi.org/10.1007/s00376-024-3308-6.
图1 雪暴大风智能识别模子(TGNet)结构图
撮要: 雷暴大风突发性强、模范小, 平常发生在几公里的区域界限内. 仅依靠自动气象站不雅测难以已毕雷暴大风细巧化监测和预告. 因此需要利用多种高时空分辨率的不雅测贵府进行雷暴大风识别. 本文利用多模态深度特征会通本领, 冷落了一种新式雷暴大风智能识别算法(TGNet). 最初遴荐体式变换(ST)索要自动气象站的风速时序特点, 提高别离雷暴大风和冷空气大风的能力. 然后基于轮回残差U型网罗(R2U-Net)索要卫星、雷达、闪电等多源不雅测的空间对流特征. 临了基于多头交叉醒宗旨构建的多模态深度会通模块, 将站点风速时序特征融入对应的格点信息中, 已毕了分钟级雷暴大风网格点识别算法. 实验收尾标明, TGNet模子具有更高的识别准确性, 要道奏效指数(CSI)达到0.77. 与U-Net和R2U-Net比较虚警率分别裁汰了31.28%和24.15%. 算法输出逐10分钟0.01°×0.01°分辨率的雷暴大风网格居品, 随机为气象预告员发布雷暴大风预警提供更细巧、更精确的网格监测居品.
Physically Constrained Adaptive Deep Learning for Ocean Vertical-Mixing Parameterization
Fang, J. J., X. J. Li, J. Li, Z. N. Huang, Y. Q. Yu, X. M. Huang, and X. Wu, 2025: Physically constrained adaptive deep learning for ocean vertical-mixing parameterization. Adv. Atmos. Sci., 42(1), 165−177, https://doi.org/10.1007/s00376-024-3246-3.
撮要: 现存的传统海洋垂直搀杂决策是凭证训戒制定的, 对其中触及的物理过程艰巨透顶的了解, 导致参数化和预告收尾之间存在相反. 海洋搀杂参数化的不笃定性是形成海洋模式偏差的主要原因. 利用深度学习本领, 咱们以Inception模块为基线, 遐想了自符合全麇集模块, 最大限制地减少偏差. 它通过不同宽度的全麇集层自符合地索要最好特征, 更好地学习输入变量和参数化场之间的非线性关系. 此外, 为了得到更精确的收尾, 咱们遴荐了 KPP(K-Profile Parameterization)和 PP(Pacanowski-Philander)决策行为物理不竭, 使网罗参数化过程愈加顺从基本物理规则. 由于模子数据是凭证东说念主类训戒磋议得出的, 艰巨一些未知的物理过程, 可能与履行数据存在相反, 因此咱们使用了热带太平洋长达十年的水文和湍流不雅测时期纪录行为测验数据. 引诱物理不竭和非线性激活函数, 咱们的模范不错捕捉其非线性变化, 更好地符合海洋搀杂参数化过程. 物理不竭的使用不错改善最终收尾.
How Do Deep Learning Forecasting Models Perform for Surface Variables in the South China Sea Compared to Operational Oceanography Forecasting Systems?
Zu, Z. Q., and Coauthors, 2025: How do deep learning forecasting models perform for surface variables in the South China Sea compared to operational oceanography forecasting systems? Adv. Atmos. Sci., 42(1), 178−189, https://doi.org/10.1007/s00376-024-3264-1.
图1 相对于Class4参考数据,四个变量的总均方根破绽,对极点事件的偏差,PSY4和DLM预告破绽的水平漫步。图中PSY4和CGOFS分别为法国Mercator Ocean Intermationa1和中国国度海洋环境预告中心的业务化海洋学预告系统,DLM为本文发展的深度学习预告模子。
撮要: 客不雅地评估和比较深度学习预告模子(DLM)与业务化海洋学预告系统(OFS)的预告技能是一个基础且贫穷的问题. 关联词, 鲜有商榷使用疏通的参考数据来比较它们的预告破绽. 本商榷针对南海海表温度(SST)、海表高度荒谬(SLA)和海表流场, 发展了三个物理合理的DLM, 然后遴荐测试集和“OceanPredict”预告系统间比较与考据职责组第四类数据(Class 4)评估了三个DLM的预告技能, 并与OFS进行了横向比较. 收尾夸耀, 分别遴荐测试集和Class 4数据集行为参考数据, DLM在后者上的均方根破绽分别增多了44%(SST)、245% (SLA)、302%(流速)和109%(流向). 这确认不同的参考数据对评估收尾存在权臣影响, 使用疏通且孤独的参考数据比较DLM和OFS是必要的. 相对于Class 4数据集, DLM对SLA的预告技能权臣优于OFS, 而对其他变量的技能略高于OFS. DLM和OFS预告破绽的空间漫步存在一定的通常性, 这可从可预告性的角度加以确认. 对极点事件而言, SLA和流速的预告均存在较大的预告破绽, 但DLM和OFS并不存在权臣的隔离; 对SST和流向预告, DLM的破绽可能更大. 本文对DLM的评估收尾, 可为DLM的应用提供参考, 同期本文也为不同DLM之间的横向比较提供了一个参考表率.
Identifying Three Shapes of Potential Vorticity Streamers Using Mask R-CNN
Hao, L. Q., Z. W. Xie, Y. F. Gong, and J. F. Yin, 2025: Identifying three shapes of potential vorticity streamers using Mask R-CNN. Adv. Atmos. Sci., 42(1), 190−203, https://doi.org/10.1007/s00376-024-3266-z.
图1 2-PVU面的位温(等值线,单元:K)过头荒谬(填色)和水平风场荒谬(箭头:m s-1)合成场,(a)-(c)分别为普通、钩状和音符状位涡条带,打点为合成荒谬在95%置信度,红色五角星位条带中心。(d)-(f)和(g)-(i)同(a)-(c),但分别为500 hPa和 850 hPa位势高度(等值线,单元:gpm)过头荒谬(填色)合成场。
撮要: 位涡条带是高位涡向南侵入所形成的狭长带状结构, 平常发扬出三种不同的体式, 分别是东北–西南歪斜的普通条状、钩状和音符状位. 位涡条带平常出现于中高纬度干旱半干旱的中亚地区, 对天气产生贫穷的影响. 本文利用Mask R-CNN对2000–2004年暖季 (5–9月) 能源对流层顶的位涡条带进行测验, 以测验出一个可识别不同体式位涡条带的权重模子. 该模子能灵验地别离三种不同形态的位涡条带. 通过对2000–2021年中亚地区三种不同位涡条带的称身分析发现: 从普通位涡条带到音符状位涡条带, 其环流冉冉加深, 并呈现出越来越瓦解的南北回转特征. 音符状位涡条带具有位涡塔和瓦解的堵截低压, 其相关的上涨畅通和降水主要网络在位涡塔以东约1200公里的界限内. 诚然钩状位涡条带与较弱的堵截低压相关联, 但其相关上涨畅通和降水的界限真实是音符状位涡条带的两倍. 比较之下, 普通位涡条带主要与对流层顶Rossby波落空联系, 其环流较为微薄, 导致的上涨畅通和降水主要漫步在其以东500公里处.
Subsurface Temperature and Salinity Structures Inversion Using a Stacking-Based Fusion Model from Satellite Observations in the South China Sea
Luo, C., M. Y. Huang, S. D. Guan, W. Zhao, F. B. Tian, and Y. Yang, 2025: Subsurface temperature and salinity structures inversion using a stacking-based fusion model from satellite observations in the South China Sea. Adv. Atmos. Sci., 42(1), 204−220, https://doi.org/10.1007/s00376-024-3312-x.
图1 集成会通模子反演南海表层海洋温盐结构的进程图
撮要: 海洋表层温盐三维结构过头时期变异对风景变化及海洋防灾减灾商榷都具有贫穷意旨. 关联词, 对于海洋温盐结构的实时获取平常依赖于现场不雅测或海洋环流模式数值模拟, 难度大而且老本高. 比年来, 前东说念主冷落了利用能源学、统计学或机器学习模子通过海面信息来反演月平均海洋温盐结构, 但对于实时海洋温盐结构的反演商榷相对匮乏. 本文利用卫星遥感和Argo数据, 行使聚类算法对数据进行分簇, 然后遴荐Stacking战术对三个模子(XGBoost、Random Forest和LightGBM)进行集成, 临了通过温盐会通来实时反演南海表层海洋温盐结构. 在考据数据集上反演的温(盐)度结构平均相关性扫数(Corr)为0.919(0.83), 平均均方根破绽(RMSE)为0.639°C(0.087 psu), 平均决定扫数为(R2)0.84(0.68). 特别是在基础模子破绽最大的温跃层, 集成会通模子发扬出最大的性能进步, 其中最大进步超越了10%. 此外, 在中模范涡配景下, 反演的表层海洋温盐结构与HYCOM再分细数据和BOA_Argo不雅测数据集也展现出了致密一致性. 本文冷落的模子能灵验地实时反演南海表层海洋温盐结构, 成心于加深对南海多模范海洋能源过程的领悟和商榷.
AI-based Correction of Wave Forecasts Using the Transformer-enhanced UNet Model
Cao, Y. Z., S. W. Zhang, G. N. Lv, M. C. Yu, and Bo Ai, 2025: AI-based correction of wave forecasts using the transformer-enhanced UNet model. Adv. Atmos. Sci., 42(1), 221−231, https://doi.org/10.1007/s00376-024-3319-3.
图1 TransUNet模子
撮要: 网格化预告能灵验提高预告居品的时空密度, 进步短时周边海洋灾害预告预警能力, 依靠预告员主不雅站点修订的传统形状也曾无法得志细巧化预告的履行需要. 针对这一问题, 本文冷落了一种基于Transformer篡改的UNet会透风浪信息的海潮预告智能修订模子TransUNet. 在传统UNet模子的编码器中引入Transformer结构, 解码器中使用双采样模块代替传统的上采样来提高特征索要能力. 本文遴荐了欧洲中期天气预告中心(ECMWF)提供的风速、浪高预告数据和灵验波高再分析数据, 与传统UNet模子进行了对比实验. 实验收尾标明: TransUNet模子对明天24小时预告修订收尾的均方根破绽、平均破绽、圭表差均小于UNet模子, 其中相对于修订前均方根破绽减小了21.55%以上. 经统计分析, 对明天24小时预告修订后的浪高破绽有87.81%小于±0.2m, 而仅有4.56%在±0.3m之外, 灵验禁锢了破绽上限, 提高了海潮预告能力.
Convolutional Graph Neural Network with Novel Loss Strategies for Daily Temperature and Precipitation Statistical Downscaling over South China
Yan, W. J., and Coauthors, 2025: Convolutional graph neural network with novel loss strategies for daily temperature and precipitation statistical downscaling over South China. Adv. Atmos. Sci., 42(1), 232−247, https://doi.org/10.1007/s00376-024-3347-z.
撮要: 传统的气象降模范模范在处理具有复杂漫步的气象问题, 尤其是极点天气事件时, 频频存在揣度不褂讪性. 为了管束上述问题, 作家冷落了一种基于卷积图神经网罗(CGNN)的模子VR视角, 并通过多层特征会通和压缩-激发模块对其进行优化. CGNN随机从全局视角索要并团员要道的空间特征, 从而进步模子的揣度精度和泛化能力. 此外, 作家还引入了一种空间平衡均方破绽(SBMSE)蚀本函数, 以更好地处理气象变量漫步不平衡和空间变异性的问题. 实验收尾标明, CGNN在偏差漫步方面发扬出较小的方差, 具有更好的褂讪性. 在降水揣度方面, UNet和自编码器(AutoEncde, AE)也夸耀出相对较小的偏差. 对于温度, AE和CNNdense在冬季降水方面发扬出更好的揣度能力. 与传统模范比较, 时期相关扫数在日模范和月模范上, 不管是温度如故降水的揣度精度都提高了至少10%. SBMSE蚀本函数在揣度第98百分位数和识别极点事件发生区域方面发扬出色, 但存在高估极点降水量值的倾向, 这可能与对数据后验漫步的表面假定部分限制了蚀本函数的灵验性联系. 作家准备在明天的职责中进一步优化SBMSE以提高揣度精度.
- VR视角 又一个于大宝?谢维军改打中卫!原土前卫后卫化趋势如何逆转?2025-01-18
- VR视角 “ 不买就滚开 ” ?车企被爆强制职工买车,这操作给我看笑了!2025-01-17
- 白鹿 ai换脸 聚焦法律监督主责主业 紧扣中国式当代化履职遵法2025-01-16
- VR视角 友发集团: 对于因践诺权益分配治疗“友发转债” 转股价钱的公告2025-01-15
- VR视角 江苏徐州市总工会文艺轻马队新春慰问走进名堂一线2025-01-14
- VR视角 父母爱情:江卫国捏戟前三年给谁写的信最多?安杰一眼看透2025-01-13