公共文化服务平台

夏江江: 作品数：13 被引量：127H指数：5; 供职机构：中国科学院大气物理研究所更多>>; 发文基金：中国科学院战略性先导科技专项公益性行业(气象)科研专项国家科技支撑计划更多>>; 相关领域：天文地球自动化与计算机技术更多>>

合作作者

基于时间序列的山区风向预测方法研究被引量：2: 2022年; 为更好地预测山区风向,分别使用自回归滑动平均模型(ARMA)、极端梯度提升算法(XGBoost)和长短期记忆网络(LSTM)对山区4个气象站的风向时间观测序列进行预测,比较3种算法的优劣。针对风向独特的性质,结合传统气象学知识,探索了一种风向的预测方法:引入风速序列,将风速、风向拆分为U、V风并对其分别进行预测,进而将结果合成,使用设定的风向评分检验结果。对比结果表明:XGBoost获得了最高的评分;使用双时间序列预测风向相比单序列效果更好。; 武略焦瑞莉夏江江; 关键词：风向时间序列

基于深度学习的气象要素时空预报策略——直接预报和迭代预报的对比: 2023年; 以大气垂直累积液态水含量的预报问题为例,使用UNet网络结构作为基础结构构建时空预报模型,对比了采用两类预报策略的模型的预报效果,预报策略包含一个迭代预报策略(Recursive Forecast Strategy,RFS)以及两个直接预报策略(Direct Forecast Strategies,DFSs)。研究结果表明,两个直接预报模型对整体预报时段的预报效果明显优于迭代预报模型,直接预报模型的RMSE比迭代预报模型低19%。随着预报时次的增加,迭代预报模型的预报误差累积速度比两个直接预报模型快。在两个直接预报模型中,多时次输出模型(Direct Forecast Model Multi-Steps,DFS-M)的预报表现更加稳健,在整体预报时段上预报效果优于单时次输出模型(Direct Forecast Model Single-Step,DFS-S),但DFS-S模型对几个前期时次的预报效果较好。本研究利用深度学习可解释性技术中的深度学习重要特征分析方法(Deep Learning Important FeaTures,DeepLIFT)分析DFS-M和DFS-S模型各个输入时次对于模型预报的相对重要性。研究结果表明,DFS-M和DFS-S模型80%的输入重要性都集中在最后两个输入时次上,较早期输入时次的重要性随着预报时次的增加而呈现上升趋势。由于各输出时次间存在一定的统计相关性,受输出时次相关性约束的DFS-M模型的输入时次重要性变化比DFS-S模型更加稳定。通过将DFS-M和DFS-S模型对于不同时次的预报进行结合,可以得到效果更加均衡的预报。本研究可以为基于深度学习的天气气候预报方法的选择提供新的思路。; 曾安捷华维严中伟祖子清娄晓于小淇夏江江; 关键词：网络可解释性

基于机器学习的华北气温多模式集合预报的订正方法被引量：35: 2019年; 模式预报的订正是决定局地天气预报结果的一个重要步骤,基于机器学习的后处理模型近年来开始崭露头角。本文发展了基于岭回归(Ridge)、随机森林(Random Forest,RF)和深度学习(Deep Learning,DL)的3种后处理模型,基于中国气象局(CMA)的BABJ模式、欧洲中期天气预报中心(ECMWF)的ECMF模式、日本气象厅(JMA)的RJTD模式和NCEP的KWBC模式这4个数值天气预报模式2014年2月至2016年9月(训练期)近地面2 m气温预报和实况资料确定各模型参数,进而对2016年10月至2017年9月(预报期)华北地区(38°N～43°N,113°E～119°E)的逐日地面2m气温预报进行了多模式集合预报分析。采用均方根误差对预报效果进行评估,这3种后处理模型的预报效果和4个数值天气预报模式以及通常的多模式集合平均(Ensemble Mean,EMN)的预报效果的对比表明:1)随着预报时长增加,4个数值预报模式及各种后处理模型的均方根误差均呈上升趋势;但区域平均而言,Ridge、RF和DL的预报效果在任何预报时长上都明显优于EMN和单个天气预报模式;特别是前几天的短期预报DL的预报效果更好,中后期预报Ridge的预报效果略好。2)华北地区的东南部均方根误差较小,其余格点上均方根误差较高,从空间分布而言,DL的订正预报效果最好,3种机器学习模型的误差在1.24～1.26°C之间,而EMN的误差达1.69°C。3)夏季各种方法的预报效果都较好,冬季预报效果都较差;但是Ridge、RF和DL的预报效果明显优于EMN,这3种模型预报的平均均方根误差在2.15～2.18°C之间,而EMN的平均均方根误差达2.45°C。; 门晓磊焦瑞莉王鼎赵晨光刘亚昆夏江江李昊辰严中伟孙建华孙建华; 关键词：岭回归

气象领域人工智能的现在与未来——张平文院士及团队骨干访谈录被引量：3: 2021年; 北京大学副校长张平文院士,带领团队与气象部门合作,将大数据等人工智能(AI)技术引入天气预报技术,以全新视角开启新的预报方法的尝试。2021年3月13日,本刊特约编辑韩佳芮博士对张院士及其团队进行了采访。; 韩佳芮张平文李昊辰夏江江; 关键词：特约编辑副校长院士

基于机器学习的数值天气预报风速订正研究被引量：55: 2019年; 对风速进行准确预测是精细化天气预报服务(如风能发电、冬季奥运会赛场条件保障等)的重要环节。本文基于三种机器学习算法(LASSO回归、随机森林和深度学习),对数值天气预报模式ECMWF预测的华北地区近地面10 m风速进行订正。首先利用LASSO回归算法提取对10 m风速有重要影响的气象要素特征集,将其作为三种机器学习算法的输入,建立相应模型对ECMWF预测的风速进行订正。用提取后的气象要素特征集建模有助于减少计算量和存储开销,并减小模型的复杂性,从而提高模型的泛化能力。将订正结果与传统订正方法模式输出统计(model output statistics,MOS)得到的订正结果进行对比。结果表明,三种机器学习算法的订正效果均好于MOS方法,显示了机器学习方法在改善局地精准气象预报方面的潜力。; 孙全德焦瑞莉夏江江严中伟李昊辰孙建华王立志梁钊明; 关键词：ECMWF模式风速

一个多参数优化系统在简单模型中的应用被引量：1: 2021年; 针对数值模式的物理参数,发展了一个多参数优化系统,可以根据观测数据对模式的多个参数进行同时调整。该系统具有设计简单、无需伴随模式和便于移植等特点。在孪生试验中,针对盒子模型的3个参数,经过约10次迭代,多参数优化系统可以收敛到预先给定的参数真值。通过对比同时优化和分别单独优化3个参数增量,发现分别单独优化参数增量存在一定的局限性。将多参数优化系统应用到简单模型的尝试和检验,结果表明:优化算法的收敛速度和模型的积分次数处于可接受的范围内,因此具有同时调整多个复杂模式物理参数的潜力。; 祖子清杨庆夏江江张蕴斐朱学明; 关键词：数据同化参数估计

“三伏”的气候学定义和区划被引量：9: 2011年; 三伏由秦汉时盛行的五行学说延伸而来,主要指中原地区气候上一年中最闷热的一段时期。利用1960～2004年我国范围内432站观测的逐日最低(Tmin)、最高气温(Tmax)和湿度值构建人体舒适度指数(THI),并分三伏区、准三伏区、潜在三伏区和非三伏区辨识了我国的气候三伏特征及其在时间上的跃变,得到华北、江淮和江南3个地区三伏入伏日期在7月4日～7月25日之间波动,多年平均的入伏时间(及伏期长度)分别为:华北7月16日(26天),江淮7月16日(29天),江南7月13日(34天);就多年平均而言,三伏强度在江淮区域最强,江南稍弱,华北最弱。各地以Tmin为指数计算的THI(Tmin)大致都呈现上升趋势,而以Tmax为指数计算的THI(Tmax)则表现出更多的年代际波动。; 夏江江严中伟周家斌; 关键词：气候人体舒适度指数

土地利用变化对20世纪中国地区气候干湿变化的影响被引量：4: 2015年; 利用CMIP5耦合模式历史情景和土地利用情景结果,定量评估了模拟的土地利用变化对20世纪中国地区气候干湿变化的影响。结果表明,土地利用的变化加剧了20世纪中国地区干旱化的进程,其贡献约为1/3。其中,湿润区具有显著变干的趋势,土地利用变化的贡献约为35.4%;半干旱区显著变干,土地利用对半干旱地区变干的贡献不显著;两种情景下干旱区干湿变化都不显著。在土地利用情景下,中国地区土地利用的变化主要表现为一级土地的减少和牧草用地的增加,二者分别从国土面积的72.7%和12.9%(1901年)变为36.0%和41.9%(2004年),且1950年代之后变化速率显著增大。其中大面积显著的变化主要发生在青藏高原、内蒙古以及新疆北部地区,导致这些地区降水减少、温度降低,而降水减少带来的干旱化作用大于温度降低带来的变湿作用。; 夏江江杨庆郑子彦赵天保严中伟马柱国; 关键词：干旱土地利用地表湿润指数

基于随机森林插值的中亚夏季极端高温变化特征被引量：5: 2020年; 利用中亚地区65个气象站的逐日最高气温数据,结合ERA-Interim再分析资料以及经纬度、海拔数据,构建了随机森林插值模型,并验证了其可靠性。基于该模型补全了气象站缺失值,获得完整的站点逐日最高气温数据集TStationf,并插值得到中亚1979—2016年空间分辨率为0.75°×0.75°的逐日最高气温格点数据集TRFIMG。基于TRFIMG进一步分析了中亚1979—2016年夏季极端高温指数时空变化特征。结果表明:中亚区域平均极端高温指数增速在0.22~0.30℃·(10a)-1,显著增温的区域主要分布在哈萨克斯坦的西部、土库曼斯坦大部、乌兹别克斯坦东南部等地区。基于TRFIMG得到的夏季极端高温指数增速显著大于基于TStationf得到的结果,这表明用站点观测数据对该地区夏季极端高温趋势的估计明显偏低。本研究得到的数据集可在一定程度上弥补使用站点观测数据片面刻画中亚地区极端高温变化的缺陷,有助于更确切地引导人们在应对极端天气气候事件时采取相应的减缓和适应措施。; 孟欣宁焦瑞莉刘念夏江江严中伟严中伟娄晓李昊辰王立志陈亮王立志陈亮

北京地区体感温度误差订正方法研究被引量：2: 2022年; 基于欧洲中期天气预报中心(European Centre for Medium-range weather Forecasts,ECMWF)模式的预报数据和北京地区气象站点的观测数据,使用两种机器学习算法(线性回归和梯度提升回归树)对站点的体感温度进行误差订正,并采用均方根误差(Root Mean Square Error,RMSE)对预报效果进行评估,进一步与传统订正方法模式输出统计(Model Output Statistics,MOS)得到的订正结果进行对比。结果表明:线性回归、梯度提升回归树、MOS和ECMWF预报得到的平均RMSE分别为3.12、3.06、3.45、4.06℃,即机器学习算法明显优于MOS和ECMWF模式原始预报。机器学习订正方法不仅在平原地区取得了较好的效果,在高海拔站点的订正效果更加突出,为北京冬奥会复杂山地条件下赛事正常运行提供了一定的技术保障。; 武略焦瑞莉王毅夏江江严中伟严中伟; 关键词：误差订正体感温度

夏江江

合作作者

文献类型

领域

主题

机构

作者

传媒

年份

用户反馈

夏江江

合作作者

文献类型

领域

主题

机构

作者

传媒

年份

用户登录

用户反馈