专栏名称: 气象学家

【气象学家】公众号平台为您解读最新气象科研进展、分享气象实用编程技巧、追踪气象即时资讯。欢迎加入气象AI和Python交流群以及气象博士群！与5W+的专业人士一起交流互动！

大气探索新篇章：机器学习如何精准预测大气廓线

气象学家 · 公众号 · · 2024-03-23 17:31

正文

第一时间获取气象科研资讯

『气象学家』公众号交流群

加入

本文内容由 AI 大模型解读生成，请仔细甄别

这篇文献的标题是《Prediction of Atmospheric Profiles With Machine Learning Using the Signature Method》，由M. Fujita、N. Sugiura和S. Kouketsu撰写，发表在《Geophysical Research Letters》上。文献的主要内容是关于如何使用机器学习方法，特别是Signature方法来预测大气廓线。以下是对这篇文献的详细解读：

摘要

文献提出了一种利用Signature方法量化大气廓线曲线的方法，并研究了这种方法在描述大气廓线上的准确性。Signature方法能够以足够的精度描述大气廓线，并且基于Signature的机器学习模型展示了高年度准确性，温度和水汽混合比的绝对平均差异小于2.0 K或g kg^-1。模型成功捕捉了大气的垂直结构和不稳定性，包括在强烈降水期间水汽和温度的剧烈变化。

引言

温度和湿度是大气的基本属性，它们的变化会影响天气和气候。大气廓线通常由多层级的温度和湿度值组成，可以描述大气的热力稳定性。Signature方法是一种基于迭代积分的数学概念，能够提供更详细的描述，代表温度、湿度和压力的多维空间中的连续路径。

方法和数据

2.1 大气垂直廓线的Signature

研究中使用SH2020描述的程序计算每个剖面的Signature。大气廓线基本由压力(P)、温度(T)和相对湿度(R)组成。Signature方法的概念在支持信息的文本S1中展示。廓线可以表示为三维向量序列(P, T, R)，在三维空间中形成连续曲线。

2.2 从Signature解码大气廓线

为了将Signature解码为廓线，应用了最小化成本函数的估计方法。给定一个Signature g，我们希望找到一个具有“最接近”Signature S的路径，通过最小化成本函数(方程3)来实现。

2.3 使用Signature设计机器学习模型

Signature使得廓线形状的量化成为可能。研究构建了一个基于神经网络(NN)的监督学习模型来预测Signature。输入向量由基于操作观测的地面气象值、基于卫星观测的水汽垂直积分值和来自JAXA第三代静止气象卫星Himawari-9的亮温值组成。

结果

首先确认了从Signature到大气廓线的解码过程的准确性。然后评估了机器学习(ML)预测廓线的准确性。模型预测的温度和水汽混合比的绝对平均差异小于2.0 K或g kg^-1，表明在所有层中几乎没有系统偏差。模型还成功捕捉了夏季大气的垂直结构，尤其是在大气边界层以上的水汽显著变化。

讨论

文献讨论了Signature方法在预测大气廓线方面的准确性，并评估了Signature对预测模型准确性的影响。通过与使用原始廓线值作为预测器的基线模型进行比较，Signature方法显示出在捕捉垂直廓线结构方面的优势。

结论

研究表明，Signature方法能够准确描述大气廓线，并且基于Signature的机器学习模型能够预测大气廓线。模型能够从基于地面和卫星数据中预测Signature，并且从预测的Signature中解码出的温度和水汽混合比的年度准确性具有绝对平均差异小于2.0 K或g kg^-1。此外，模型在强烈雨季期间成功捕捉了大气的垂直结构，准确表示了中对流层中水汽和温度的显著变化。Signature方法提供了一个显著的优势，能够捕捉三维曲线的形状；因此，Signature使得全面建模大气成为可能，超越了个别层的变异性。