一种估计模式误差的混合深度学习<bold>-</bold>资料同化方法
摘要
在数值天气预报中, 预报误差由初始条件误差、模式误差等组成. 初始条件通常由短期预报和观测约束优化获得, 因此很难将初始条件误差和模式误差清楚地区分开. 模式误差对资料同化、预报预测均至关重要. 为修正模式误差, 本文提出一种混合深度学习-资料同化方法. 该方法利用卷积神经网络提取初始条件和模式误差的特征, 然后得到模式误差的估计; 其可以考虑由模式参数不准确导致的模式误差, 也可以同时考虑模式误差和初始条件误差. Lorenz05模式的离线和在线实验结果表明, 该方法可有效修正由模式参数不准确导致的模式误差, 包括强迫项<italic>F</italic>、耦合系数<italic>c</italic>和相对尺度<italic>b</italic>等. 相较于仅考虑模式误差, 同时考虑模式误差和初始条件误差可得到更准确的估计结果. 此外, 观测和分析场均可用于验证预报结果, 但利用观测验证可更好地估计模式误差, 并且在在线资料同化中能更快地趋近模式参数真值.
引用本文（GB/T 7714）
子怡 彭, 荔傈 雷, 哲敏 谈. 一种估计模式误差的混合深度学习&lt;bold&gt;-&lt;/bold&gt;资料同化方法[J]. SCIENTIA SINICA Terrae, 2024.
引文网络
本站仅收录题录与摘要供学习参考，全文版权归属出版方；如有侵权请联系我们删除。