aG百家乐真人平台
Current Issue
Table of Content
Volume 42 · Issue 1 · Pages 1-247
Perspectives
Predictability Study of Weather and Climate Events Related to Artificial Intelligence Models
Mu, M., B. Qin, and G. K. Dai, 2025: Predictability study of weather and climate events related to artificial intelligence models. Adv. Atmos. Sci., 42(1), 1−8, https://doi.org/10.1007/s00376-024-4372-7.
图1 大气科学中的通晓-不雅测-建模商量范式
概要: 天气与征象事件的可预告性商量聚焦于厘清产生预告纰缪的原因和机制, 进而给出减小预告不笃定性的要害和路子, 这不仅有助于转换不雅测和预告系统, 还能潜入对天气和征标识象的会通. 在往时数十年里, 能源数值模式一直是天气征象事件可预告性商量的主要器用, 于今已取得首要进展. 在大数据期间, 追随东说念主工智能(AI)期间的线路发展与海量风物数据的不时积贮, 基于数据运转要害的天气与征象建模和预告正成为一大趋势, FourCastNet、Pangu-Weather和GraphCast是其中奏效的前驱. 在这篇不雅点著作中, 作家建议不仅要将AI模子用于预告, 更应充分利用AI模子的高服从和自带优化模块的上风, 将其应用于天气征象可预告性问题商量中. 为此, 作家最初指出, AI模子应具备精采的时空分辨率和对天气征象事件的高模拟才智, 以保险其可被用于两类可预告性问题商量中. 具备与能源数值模式模拟才智十分的AI模子可被觉得以数据运转的方法提供出偏微分方程的数值解. 然后, 作家明确了多少关键的可预告性科知识题, 并将其滚动为具体的非线性优化问题. 这些问题可通过AI模子高效求解, 对提高天气与征象事件的预告手段具有遑急的科学价值. 此外, 作家见地鼓励AI模子融入“通晓-不雅测-建模”的商量范式中. 在该范式中, 在AI模子中开展天气征象事件的可预告性商量不仅省略运转“大数据”向“大且更好的数据”转型, 还能促进“AI for forecasts”向“AI for Science”逾越, 进一步鼓励大气和海洋科学的发展.
【封面故事】特邀不雅点|穆穆团队：关联AI模子的天气征象可预告性问题商量
Original Paper
TianXing: A Linear Complexity Transformer Model with Explicit Attention Decay for Global Weather Forecasting
Yuan, S. J., G. S. Wang, B. Mu, and F. F. Zhou, 2025: TianXing: A linear complexity transformer model with explicit attention decay for global weather forecasting. Adv. Atmos. Sci., 42(1), 9−25, https://doi.org/10.1007/s00376-024-3313-9.
图1 天行模子结构暗意图
概要: 在本文中, 咱们提议了一种名为“天行”(TianXing)的数据运转的天气预告模子. 该模子基于Transformer架构, 连结了物理增强联想, 以已毕高效且精确的专家天气预告. 连年来, 访佛的基于Transformer的模子, 如盘古、风乌和伏羲, 已迟缓成为数值天气预告的有劲替代决策. 然而, 这些模子在教学过程中普通需要耗尽无数诡计资源, 何况在模子框架中对已知物理机制的连结相对有限. 与之比较, 天行领受了线性复杂度的肃肃力机制, 使得模子的诡计复杂度随输入数据分辨率成线性增长, 从而大幅缩小了对GPU资源的需求, 且形成的精度上的耗损十分眇小. 此外, 天行在其线性肃肃力机制中还引入了物理引导的显性肃肃力衰减机制, 进一步进步了预告才智. 该机制不错凭据特征在地球名义的球面距离和学习到的寥落多变量耦合关系, 从头调整肃肃力权重, 从而使天行模子索取特征时更蔼然邻近的和物理研究的特征. 为了提高中期预告的性能, 天行模子还领受了堆叠自追忆预诡计法进行教学. 咱们先在分辨率为5.625°的ERA5再分析数据上考据了模子架构的灵验性, 然后基于0.25°的高分辨率数据集进行模子的教学. 模子预告手段标明, 天行在统计野心如纬度加权RMSE和ACC中展现了显著上风, 尤其是在Z500(位势高度)和T850(温度)等大气变量上发扬优异, 超越了以往的数据运转模子以及高分辨率业务预告模式NCEP GFS和ECMWF IFS. 此外,天行模子在台风等极点天气事件的揣度中也发扬出色.
Improving the Seasonal Forecast of Summer Precipitation in Southeastern China Using a CycleGAN-based Deep Learning Bias Correction Method
Yang, S., F. H. Ling, J.-J. Luo, and L. Bai, 2025: Improving the seasonal forecast of summer precipitation in Southeastern China using a CycleGAN-based deep learning bias correction method. Adv. Atmos. Sci., 42(1), 26−35, https://doi.org/10.1007/s00376-024-4003-3.
图S1 轮回一致性生成叛逆收罗（CycleGAN）的基本框架
概要: 准确的季节性降水揣度, 尤其是极点事件的揣度, 对于退缩风物灾害过火对国度发展、社会行动和安全可能产生的影响至关遑急. 然而, 对于很多现存的能源模式而言, 夏日降水的强度不时被大幅低估. 本商量领受一种名为轮回一致性生成叛逆收罗(CycleGAN)的深度学习要害, 用于转换南京信息工程大学征象揣度系统(NUIST-CFS 1.0)对中国东南部6至8月的季节性降水揣度. 商量终局标明, 与传统的分位数映射(QM)要害比较, 基于CycleGAN的模子显贵提高了夏日降水时空散布揣度的准确性. 使用非配对的纰缪转换模子, 还有助于咱们在极点降水事件的频率、强度和持续时辰等方面取得远超能源模式的揣度成果. 本商量膨大了深度学习模子在转换季节性降水揣度方面的潜在应用.
A Machine Learning-Based Observational Constraint Correction Method for Seasonal Precipitation Prediction
Zhang, B. F., H. P. Yu, Z. Y. Hu, P. Yue, Z. Y. Tang, H. Y. Luo, G. T. Wang, and S. L. Cheng, 2025: A machine learning-based observational constraint correction method for seasonal precipitation prediction. Adv. Atmos. Sci., 42(1), 36−52, https://doi.org/10.1007/s00376-024-4191-x.
图1 LightGBM要害期间路子。上半部分是LightGBM模子的教学阶段，其中X0知道揣度因子，Y知道不雅测数据。下半部分为揣度阶段。BCC-CSM经过插值处理后的预告数据X1被用来行为预告因子，通过教学阶段学习到的非线性追忆关系F，诡计获取 F(X1)，即揣度的终局。
概要: 季节降水是征象揣度的要点和难点. 现存能源-统计相连结的不雅测不断转换要害通过建立能源模式数据和站点不雅测贵寓之间的线性追忆关系, 省略在一定进程上揣度季节降水. 然而, 使用线性追忆算法处分非线性问题会存在显贵偏差. 本商量基于BCC-CSM模式数据和站点不雅测贵寓, 使用机器学习模子Light Gradient Boosting Machine (LightGBM) 对现存的线性不雅测不断转换模子进行非线性优化, 转换中国夏日降水揣度成果. 模子的教学使用滚动方法进行, 成果对比标明LightGBM模子的发扬优于线性追忆模子(LR), Extreme Gradient Boosting(XGBoost)和Categorical Boosting (CatBoost). 经过对机器学习模子参数调优, 利用BCC-CSM模式中8个不同预告因子揣度将来夏日降水, 2019-2022年夏日降水揣度的距平研究通盘(ACC)平均值为0.17, 揣度评分(PS)平均值达到74. 其中PS相较于 BCC-CSM和线性不雅测不断要害分别提高了7.87%和6.63%. 与现存的线性不雅测不断决策比较, 领受LightGBM的不雅测不断转换揣度显贵且安靖地提高了中国夏日降水的揣度手段, 为中国夏日防汛抗旱提供了参考.
Unsupervised Meteorological Downscaling Based on Dual Learning and Subgrid-scale Auxiliary Information
Hu, J., J. L. Mu, X. M. Huang, and X. Wu, 2025: Unsupervised meteorological downscaling based on dual learning and subgrid-scale auxiliary information. Adv. Atmos. Sci., 42(1), 53−66, https://doi.org/10.1007/s00376-024-3336-2.
图1 DualDS的结构图。图中的黑框知道每次教学迭代所领受的赶快LR图像块，红框知道LR图像块对应的扶植图像块。“ Assist data”是亚网格模范的扶植信息。AUP是带有扶植数据不断的上采样器，GDN是用于生成假LR图像块的下采样器，DDN是用于识别LR图像块真假的辩别器。结构图的左侧部分知道后向轮回过程，右侧部分知道前向轮回过程。
概要: 风物降模范省略将大模范风物数据颐养为具有丰富细节信息的小模范数据, 世俗应用于征象模拟、数值天气预告和可再生能源等规模. 尽管基于深度学习的降模范要害省略灵验捕捉风物数据在不同模范之间的复杂非线性映射, 基于监督学习的深度学习降模范要害在推行中却濒临着高分辨率数据不及的逆境, 而无监督要害则由于小模范的不笃定性, 难以从有限的大模范输入中准确推断出小模范细节. 本文提议了一种对偶学习框架DualDS, 利用基于生成叛逆收罗的神经收罗和亚网格模范的扶植信息进行风物降模范. 该要害通过上、下采样器构成一个双向的收罗框架,其中下采样器用于模拟升模范过程中的信息丢失过程, 上采样器用于重建丢失的细节并纠正升模范过程中产生的纰缪. 这种对偶学习战略不错在教学过程中根除对高分辨率真值数据的依赖, 并通过不断映射过程来优化降模范终局. 实验终局标明, DualDS在定性和定量上齐不错与几种最先进的深度学习降模范要害相失色. 具体而言, 在单一地表温度数据降模范任务中, 咱们的要害与其他使用换取数据集的无监督算法比较, 峰值信噪比提高了0.469 dB, 结构相通性提高了0.017,RMSE缩小了0.08, 何况研究通盘发扬最好. 说七说八, 本文提议了一种新的要害来处分无监督降模范过程中的小模范不笃定性问题.
A Generative Adversarial Network with an Attention Spatiotemporal Mechanism for Tropical Cyclone Forecasts
Li, X. H., X. H. Han, J. S. Yang, J. K. Wang, G. Q. Han, J. Ding, H. Shen, and J. Yan, 2025: A generative adversarial network with an attention spatiotemporal mechanism for tropical cyclone forecasts. Adv. Atmos. Sci., 42(1), 67−78, https://doi.org/10.1007/s00376-024-3243-6.
概要: 热带气旋是复杂而矍铄的天气系统, 准确揣度其旅途、结构和强度仍然是风物商量中的关键焦点和挑战. 本文提议了一种肃肃力时空揣度生成叛逆收罗(AST-GAN)模子, 用于揣度热带气旋的时空散布. 该模子在将来15小时内以每3小时为断绝揣度热带气旋风速的空间散布, 要点蔼然气旋中心、高风速区域过火非对称结构. 为了灵验捕捉不同期间步长的时空特征传递, 咱们领受了通说念肃肃力机制进行特征遴荐, 进步了模子性能并减少了参数冗余. 咱们利用HWRF数据教学模子, 使其省略掌合手无数热带气旋指点模式. 该模子可应用于多种复杂景象, 如多个热带气旋同期挪动或热带气旋登陆. 与HWRF的信得过数据对比, 所提议的模子在合座风速揣度的均方根纰缪(RMSE)为0.71 m s−1, 最大风速的RMSE为2.74 m s−1, 展示了可靠的揣度性能. 此外, 模子在使用ERA5再分析数据进行微调治零丁测试后, 展示了其安靖性和可膨大性. 在对ERA5数据集进行微调后, 模子在风速和最大风速的RMSE分别达到1.33 m s−1 和1.75 m s−1.
Vision Transformer for Extracting Tropical Cyclone Intensity from Satellite Images
Tian, Y., W. Zhou, P. K. Y. Cheung, and Z. C. Liu, 2025: Vision transformer for extracting tropical cyclone intensity from satellite images. Adv. Atmos. Sci., 42(1), 79−93, https://doi.org/10.1007/s00376-024-3191-1.
图1 基于视觉Transformer和卫星影像的热带气旋强度估测
概要: 热带气旋(TC)强度估测是其监测与预告的基础. 连年来, 连结深度学习和卫星影像数据的TC强度估测算法已被世俗应用, 并取得了较高的精度. 本文基于视觉Transformer(Vision Transformer, ViT)架构, 构建了ViT-TC模子. 该模子领受包括红外(IR)、水汽(WV)和被迫微波(PMW)在内的热带气旋卫星影像数据行为输入估测TC强度. 实验标明, 将IR、WV和PMW行为模子输入相较于其他的输入组合, 其估测精度更高. 而集结平均要害不错使ViT-TC模子估测终局的均方根纰缪和平均统共纰缪分别进一步缩小至9.32节和6.49节. 终局骄矜, ViT-TC模子的估测成果要显著优于传统要害, 且与现存的深度学习模子十分. 对模子肃肃力散布的分析骄矜, 模子对高PMW值的区域分派了较高的肃肃力权重, 这标明高PMW值是TC强度估测的关键信号. 同期. 模子对云层掩饰区域分派了高肃肃力权重, 标明其通过从卫星影像数据索取TC云系和眼区来判定TC强弱.
Joint Retrieval of PM2.5 Concentration and Aerosol Optical Depth over China Using Multi-Task Learning on FY-4A AGRI
Li, B., D. S. Fu, L. Yang, X. H. Fan, D. Z. Yang, H. R. Shi, and X.-A. Xia, 2025: Joint retrieval of PM2.5 concentration and aerosol optical depth over China using multi-task learning on FY-4A AGRI. Adv. Atmos. Sci., 42(1), 94−110, https://doi.org/10.1007/s00376-024-3222-y.
图4 MTL模子构架。分享层（左）和特定层（右）均为全集结（FC）。分享层领受硬参数分享，特定层则领受软参数分享。
概要: 气溶胶光学厚度(AOD)和直径小于就是2.5 µm的细颗粒物(PM2.5)在空气质地、东说念主类健康和征象变化中饰演着遑急脚色. 然而,AOD与PM2.5之间复杂的研究性及现存反演算法的局限性,使得在团结地方精确反演这两个参数濒临雄伟挑战. 为应答这一问题, 本文提议了一种基于多任务学习(MTL)的模子, 旨在已毕PM2.5浓度与AOD的合股反演. 该模子应用于风浪四号A星先进静止轨说念发射成像仪(FY-4A AGRI)获取的大气顶部反射率数据, 并与两种单任务学习模子——赶快丛林(RF)和深度神经收罗(DNN)——进行了对比. 具体而言,MTL在AOD反演中的决定通盘(R2)为0.88, 均方根纰缪(RMSE)为0.10. 与RF比较,R2加多了0.04,RMSE减少了0.02, 反演终局在预期纰缪规模内的百分比(Within-EE)加多了5.55%. MTL对PM2.5的R2和RMSE分别为0.84和13.76 µg m−3. 与RF比较,R2加多了0.06,RMSE减少了4.55 µg m−3, Within-EE 加多了7.28%. 此外,与DNN比较,MTL在AOD 反演中的R2加多了0.01, RMSE减少了0.02, Within-EE 相应加多了2.89%. 对于PM2.5的反演,MTL的R2加多了0.05, RMSE减少了1.76 µg m−3, Within-EE加多了 6.83%. 评估终局标明, MTL模子省略同期进步AOD和PM2.5反演的准确性, 尤其在高效捕捉两者空间散布方面发扬出显贵上风.
Short-Term Rolling Prediction of Tropical Cyclone Intensity Based on Multi-Task Learning with Fusion of Deviation-Angle Variance and Satellite Imagery
Tian, W., P. Song, Y. Y. Chen, Y. H. Zhang, L. G. Wu, H. K. Zhao, K. T. C. Lim Kam Sian, and C. Y. Xiang, 2025: Short-Term rolling prediction of tropical cyclone intensity based on multi-task learning with fusion of deviation-angle variance and satellite imagery. Adv. Atmos. Sci., 42(1), 111−128, https://doi.org/10.1007/s00376-024-3301-0.
概要: 热带气旋(TC)是最严重的当然灾害之一, 准确的热带气旋行动揣度是退缩和收缩灾害的关键. 连年来, 热带气旋轨迹揣度取得首要进展, 但强度揣度才智显著滞后. 现在, 热带气旋强度揣度的商量以大气再分析数据为商量对象, 通过深层学习挖掘热带气旋研究环境因素与强度之间的关系. 然而, 再分析数据在内容上黑白实时的, 难以隆盛业务预告应用需求. 强对流云团对称化进程和对流强度, 将偏角方差与卫星图像会通来构建热带气旋对流结构与强度的研究性. 针对热带气旋复杂的动态过程, 本文使用卷积神经收罗(CNN)学习当时序特征和空间特征. 在实时强度猜测这一主任务下, 多任务学习起到隐式时序增强作用. 模子联想了滚动战略, 旨在缓解长久依赖衰减问题, 进步短期强度揣度的精度. 讨论到多个任务之间的研究性, 对12小时和24小时的耗损函数进行了修正. 在西北太平洋TC样本上的实验终局标明, TC-Rolling模子在6小时、12小时和24小时强度揣度上的均方根纰缪(RMSE)分别为4.48 kt、5.78 kt和13.94 kt. 通过与官方机构的TC记载对比, 考据了该模子的灵验性.
Regional Storm Surge Forecast Method Based on a Neural Network and the Coupled ADCIRC-SWAN Model
Sun, Y., P. Hu, S. Q. Li, D. X. Mo, and Y. J. Hou, 2025: Regional storm surge forecast method based on a neural network and the coupled ADCIRC-SWAN model. Adv. Atmos. Sci., 42(1), 129−145, https://doi.org/10.1007/s00376-024-3306-8.
图3 神经收罗架构(以ΔT输入时辰断绝为例)。蓝色框代表多通说念特征图，通说念数在框上方标注，ag百家乐假不假特征图的尺寸由框左下角的数字知道，自色框代表复制的特征图。不同神采的前头代表不同的操作。
概要: 实时准确的风暴潮揣度不错灵验驻防台风风暴潮在沿海地区形成雄伟的经济损构怨东说念主员伤一火. 现在, 数值模子揣度耗尽资源过多, 诡计时辰过长, 而神经收罗揣度贫窭区域数据来教学区域揣度模子. 本商量使用DUAL风模子构建台风风场, 并使用耦合的Advanced Circulation–Simulating Waves Nearshore (ADCIRC-SWAN)模子构建了南海北部75个过程的台风数据库. 然后, 使用台风数据库教学了具有Res-U-Net结构的神经收罗, 以揣度考据数据聚首的台风过程, 并在珠江口地区取得了出色的风暴潮揣度成果. 通过添加分支结构和迁徙学习, 提高了强台风风暴潮揣度的成果.
TGNet: Intelligent Identification of Thunderstorm Wind Gusts Using Multimodal Fusion
Zhang, X. W., Y. G. Zheng, H. D. Zhang, J. Sheng, B. J. Lu, and S. Feng, 2025: TGNet: Intelligent identification of thunderstorm wind gusts using multimodal fusion. Adv. Atmos. Sci., 42(1), 146−164, https://doi.org/10.1007/s00376-024-3308-6.
图1 雪暴大风智能识别模子（TGNet）结构图
概要: 雷暴大风突发性强、模范小, 普通发生在几公里的区域规模内. 仅依靠自动风物站不雅测难以已毕雷暴大风精采化监测和预告. 因此需要利用多种高时空分辨率的不雅测贵寓进行雷暴大风识别. 本文利用多模态深度特征会通期间, 提议了一种新式雷暴大风智能识别算法(TGNet). 最初领受体式变换(ST)索取自动风物站的风速时序特质, 提高诀别雷暴大风和冷空气大风的才智. 然后基于轮回残差U型收罗(R2U-Net)索取卫星、雷达、闪电等多源不雅测的空间对流特征. 终末基于多头交叉肃肃力构建的多模态深度会通模块, 将站点风速时序特征融入对应的格点信息中, 已毕了分钟级雷暴大风网格点识别算法. 实验终局标明, TGNet模子具有更高的识别准确性, 关键奏效指数(CSI)达到0.77. 与U-Net和R2U-Net比较虚警率分别缩小了31.28%和24.15%. 算法输出逐10分钟0.01°×0.01°分辨率的雷暴大风网格家具, 省略为风物预告员发布雷暴大风预警提供更精采、更精确的网格监测家具.
Physically Constrained Adaptive Deep Learning for Ocean Vertical-Mixing Parameterization
Fang, J. J., X. J. Li, J. Li, Z. N. Huang, Y. Q. Yu, X. M. Huang, and X. Wu, 2025: Physically constrained adaptive deep learning for ocean vertical-mixing parameterization. Adv. Atmos. Sci., 42(1), 165−177, https://doi.org/10.1007/s00376-024-3246-3.
概要: 现存的传统海洋垂直夹杂决策是凭据教会制定的, 对其中触及的物理过程贫窭澈底的了解, 导致参数化和预告终局之间存在各别. 海洋夹杂参数化的不笃定性是形成海洋模式偏差的主要原因. 利用深度学习期间, 咱们以Inception模块为基线, 联想了自允洽全集结模块, 最大适度地减少偏差. 它通过不同宽度的全集结层自允洽地索取最好特征, 更好地学习输入变量和参数化场之间的非线性关系. 此外, 为了获取更精确的终局, 咱们领受了 KPP(K-Profile Parameterization)和 PP(Pacanowski-Philander)决策行为物理不断, 使收罗参数化过程愈加遵守基本物理限定. 由于模子数据是凭据东说念主类教会诡计得出的, 贫窭一些未知的物理过程, 可能与践诺数据存在各别, 因此咱们使用了热带太平洋长达十年的水文和湍流不雅测时辰记载行为教学数据. 连结物理不断和非线性激活函数, 咱们的要害不错捕捉其非线性变化, 更好地允洽海洋夹杂参数化过程. 物理不断的使用不错改善最散伙尾.
How Do Deep Learning Forecasting Models Perform for Surface Variables in the South China Sea Compared to Operational Oceanography Forecasting Systems?
Zu, Z. Q., and Coauthors, 2025: How do deep learning forecasting models perform for surface variables in the South China Sea compared to operational oceanography forecasting systems? Adv. Atmos. Sci., 42(1), 178−189, https://doi.org/10.1007/s00376-024-3264-1.
图1 相对于Class4参考数据，四个变量的总均方根纰缪，对极点事件的偏差，PSY4和DLM预告纰缪的水平散布。图中PSY4和CGOFS分别为法国Mercator Ocean Intermationa1和中国国度海洋环境预告中心的业务化海洋学预告系统，DLM为本文发展的深度学习预告模子。
概要: 客不雅地评估和比较深度学习预告模子(DLM)与业务化海洋学预告系统(OFS)的预告手段是一个基础且遑急的问题. 然而, 鲜有商量使用换取的参考数据来比较它们的预告纰缪. 本商量针对南海海表温度(SST)、海表高度相当(SLA)和海表流场, 发展了三个物理合理的DLM, 然后领受测试集和“OceanPredict”预告系统间比较与考据责任组第四类数据(Class 4)评估了三个DLM的预告手段, 并与OFS进行了横向比较. 终局骄矜, 分别领受测试集和Class 4数据集行为参考数据, DLM在后者上的均方根纰缪分别加多了44%(SST)、245% (SLA)、302%(流速)和109%(流向). 这证明不同的参考数据对评估终局存在显贵影响, 使用换取且零丁的参考数据比较DLM和OFS是必要的. 相对于Class 4数据集, DLM对SLA的预告手段显贵优于OFS, 而对其他变量的手段略高于OFS. DLM和OFS预告纰缪的空间散布存在一定的相通性, 这可从可预告性的角度加以讲明. 对极点事件而言, SLA和流速的预告均存在较大的预告纰缪, 但DLM和OFS并不存在显贵的隔离; 对SST和流向预告, DLM的纰缪可能更大. 本文对DLM的评估终局, 可为DLM的应用提供参考, 同期本文也为不同DLM之间的横向比较提供了一个参考规范.
Identifying Three Shapes of Potential Vorticity Streamers Using Mask R-CNN
Hao, L. Q., Z. W. Xie, Y. F. Gong, and J. F. Yin, 2025: Identifying three shapes of potential vorticity streamers using Mask R-CNN. Adv. Atmos. Sci., 42(1), 190−203, https://doi.org/10.1007/s00376-024-3266-z.
图1 2-PVU面的位温(等值线，单元:K)过火相当(填色)和水平风场相当(箭头:m s-1)合成场，(a)-(c)分别为普通、钩状和音符状位涡条带，打点为合成相当在95%置信度，红色五角星位条带中心。(d)-(f)和(g)-(i)同(a)-(c)，但分别为500 hPa和 850 hPa位势高度(等值线，单元:gpm)过火相当(填色)合成场。
概要: 位涡条带是高位涡向南侵入所形成的狭长带状结构, 普通发扬出三种不同的体式, 分别是东北–西南歪斜的普通条状、钩状和音符状位. 位涡条带普通出现于中高纬度干旱半干旱的中亚地区, 对天气产生遑急的影响. 本文利用Mask R-CNN对2000–2004年暖季 (5–9月) 能源对流层顶的位涡条带进行教学, 以教学出一个可识别不同体式位涡条带的权重模子. 该模子能灵验地诀别三种不同形态的位涡条带. 通过对2000–2021年中亚地区三种不同位涡条带的称身分析发现: 从普通位涡条带到音符状位涡条带, 其环流迟缓加深, 并呈现出越来越显著的南北回转特征. 音符状位涡条带具有位涡塔和显著的堵截低压, 其研究的高潮指点和降水主要聚首在位涡塔以东约1200公里的规模内. 固然钩状位涡条带与较弱的堵截低压研究联, 但其研究高潮指点和降水的规模着实是音符状位涡条带的两倍. 比较之下, 普通位涡条带主要与对流层顶Rossby波幻灭关联, 其环流较为浅显, 导致的高潮指点和降水主要散布在其以东500公里处.
Subsurface Temperature and Salinity Structures Inversion Using a Stacking-Based Fusion Model from Satellite Observations in the South China Sea
Luo, C., M. Y. Huang, S. D. Guan, W. Zhao, F. B. Tian, and Y. Yang, 2025: Subsurface temperature and salinity structures inversion using a stacking-based fusion model from satellite observations in the South China Sea. Adv. Atmos. Sci., 42(1), 204−220, https://doi.org/10.1007/s00376-024-3312-x.
图1 集成会通模子反演南海表层海洋温盐结构的进程图
概要: 海洋表层温盐三维结构过火时辰变异对征象变化及海洋防灾减灾商量齐具有遑急兴味. 然而, 对于海洋温盐结构的实时获取普通依赖于现场不雅测或海洋环流模式数值模拟, 难度大而且本钱高. 连年来, 前东说念主提议了利用能源学、统计学或机器学习模子通过海面信息来反演月平均海洋温盐结构, 但对于实时海洋温盐结构的反演商量相对匮乏. 本文利用卫星遥感和Argo数据, 哄骗聚类算法对数据进行分簇, 然后领受Stacking战略对三个模子(XGBoost、Random Forest和LightGBM)进行集成, 终末通过温盐会通来实时反演南海表层海洋温盐结构. 在考据数据集上反演的温(盐)度结构平均研究性通盘(Corr)为0.919(0.83), 平均均方根纰缪(RMSE)为0.639°C(0.087 psu), 平均决定通盘为(R2)0.84(0.68). 止境是在基础模子纰缪最大的温跃层, 集成会通模子发扬出最大的性能进步, 其中最大进步卓绝了10%. 此外, 在中模范涡配景下, 反演的表层海洋温盐结构与HYCOM再分细数据和BOA_Argo不雅测数据集也展现出了雅致无比一致性. 本文提议的模子能灵验地实时反演南海表层海洋温盐结构, 成心于加深对南海多模范海洋能源过程的会通和商量.
AI-based Correction of Wave Forecasts Using the Transformer-enhanced UNet Model
Cao, Y. Z., S. W. Zhang, G. N. Lv, M. C. Yu, and Bo Ai, 2025: AI-based correction of wave forecasts using the transformer-enhanced UNet model. Adv. Atmos. Sci., 42(1), 221−231, https://doi.org/10.1007/s00376-024-3319-3.
图1 TransUNet模子
概要: 网格化预告能灵验提高预告家具的时空密度, 进步短时附进海洋灾害预告预警才智, 依靠预告员主不雅站点转换的传统方法照旧无法隆盛精采化预告的践诺需要. 针对这一问题, 本文提议了一种基于Transformer转换的UNet会透风浪信息的海潮预告智能转换模子TransUNet. 在传统UNet模子的编码器中引入Transformer结构, 解码器中使用双采样模块代替传统的上采样来提高特征索取才智. 本文领受了欧洲中期天气预告中心(ECMWF)提供的风速、浪高预告数据和灵验波高再分析数据, 与传统UNet模子进行了对比实验. 实验终局标明: TransUNet模子对将来24小时预告转换终局的均方根纰缪、平均纰缪、轨范差均小于UNet模子, 其中相对于转换前均方根纰缪减小了21.55%以上. 经统计分析, 对将来24小时预告转换后的浪高纰缪有87.81%小于±0.2m, 而仅有4.56%在±0.3m除外, 灵验阻拦了纰缪上限, 提高了海潮预告才智.
Convolutional Graph Neural Network with Novel Loss Strategies for Daily Temperature and Precipitation Statistical Downscaling over South China
Yan, W. J., and Coauthors, 2025: Convolutional graph neural network with novel loss strategies for daily temperature and precipitation statistical downscaling over South China. Adv. Atmos. Sci., 42(1), 232−247, https://doi.org/10.1007/s00376-024-3347-z.
概要: 传统的风物降模范要害在处理具有复杂散布的风物问题aG百家乐真人平台, 尤其是极点天气事件时, 不时存在揣度不安靖性. 为了处分上述问题, 作家提议了一种基于卷积图神经收罗(CGNN)的模子, 并通过多层特征会通和压缩-引发模块对其进行优化. CGNN省略从全局视角索取并团聚关键的空间特征, 从而进步模子的揣度精度和泛化才智. 此外, 作家还引入了一种空间平衡均方纰缪(SBMSE)耗损函数, 以更好地处理风物变量散布不平衡和空间变异性的问题. 实验终局标明, CGNN在偏差散布方面发扬出较小的方差, 具有更好的安靖性. 在降水揣度方面, UNet和自编码器(AutoEncde, AE)也骄矜出相对较小的偏差. 对于温度, AE和CNNdense在冬季降水方面发扬出更好的揣度才智. 与传统要害比较, 时辰研究通盘在日模范和月模范上, 不管是温度照旧降水的揣度精度齐提高了至少10%. SBMSE耗损函数在揣度第98百分位数和识别极点事件发生区域方面发扬出色, 但存在高估极点降水量值的倾向, 这可能与对数据后验散布的表面假定部分适度了耗损函数的灵验性关联. 作家准备在将来的责任中进一步优化SBMSE以提高揣度精度.