检索结果-南通市图书馆

高原气象 2024年第2期43卷 464-477页

作者：李浙华肖安郑丽君江西省上饶市气象局江西上饶334000 江西省气象台江西南昌330096 江西省气象局天气预报开放实验室江西南昌330096

基于2020-2021年的中国气象局(cma)陆面数据同化系统(CLDAS)逐小时地面气温(T2m)产品,融合cma上海快速更新循环数值预报(cma-sh3)的T2m预报数据,构建深度学习语义分割模型(MT-Cunet),实现逐小时滚动更新的24 h T2m网格预报,并对2022年... 详细信息

基于2020-2021年的中国气象局(cma)陆面数据同化系统(CLDAS)逐小时地面气温(T2m)产品,融合cma上海快速更新循环数值预报(cma-sh3)的T2m预报数据,构建深度学习语义分割模型(MT-Cunet),实现逐小时滚动更新的24 h T2m网格预报,并对2022年预报结果进行了检验评估。结果表明,在研究范围内,MT-Cunet在3~9 h时效订正效果最好,平均MAE和平均RMSE分别降低42.4%、40.89%;10~24 h时效的订正效果较好,平均MAE和平均RMSE分别下降26.7%、26.3%。低温(≤0℃)和高温(≥35℃)事件检验评估表明,MT-Cunet在高温预报整体表现为正偏差,而低温整体为负偏差,但误差幅度远低于cma-sh3;空间尺度上,MT-Cunet能较大幅度减少复杂地形下的T2m预报误差,降低cma-sh3的MAE离散度,使预报误差分布较为稳定。通过对2022年2月和3月的区域性增温、寒潮过程分别进行检验评估发现,MT-Cunet能较好预报出增(降)温转折时间和增(降)温幅度。在增温和寒潮过程中,MT-Cunet的MAE比cma-sh3分别降低28.9%和33.8%,表明MT-Cunet模型在转折性天气过程中同样具有较好的预报能力。因此,利用可以快速增加预报样本数量的快速更新循环数值预报,经过语义分割深度学习模型客观方法订正,就能较大幅度降低数值模式预报误差,解决常规数值预报由于数据量太少,深度学习训练效果较差的问题,这对充分利用国产模式资源,更广泛地开展国产模式后处理和应用提出了一个新的思路。

关键词： cma-sh3 CLDAS 2 m地面温度偏差订正深度学习

来源：

维普期刊数据库

同方期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：