Simulation of Moist Physics Parameterization Scheme Based on Machine Learning
-
摘要:
数值天气预报模式的湿物理参数化方案对降水预报有很大影响。常规湿物理参数化方案计算复杂，计算量大，且存在较大不确定性。本文采用四种机器学习算法即基于决策树的梯度提升算法（LightGBM）、全连接神经网络（FC）、卷积神经网络（CNN）和卷积块注意力模块（CBAM）提取数值预报模式变量网格点周围的局部信息建模。针对一次南海台风过程，开展湿物理参数化方案模拟试验。试验表明，四种机器学习模型均能较好地模拟湿物理参数化方案的温湿效应，能够刻画台风对流活动产生的热源和水汽汇的螺旋结构。位温倾向在对流层中层误差较大，比湿倾向在对流层低层误差较大，随着预报时效延长模型的模拟能力有所退化。本文为开发基于机器学习的模式物理参数化方案提供参考依据。
-
关键词:
- 机器学习，湿物理参数化，数值天气预报模式
-
点击查看大图
计量
- 文章访问数: 54
- HTML全文浏览量: 9
- PDF下载量: 19
- 被引次数: 0
下载:
