节点文献

基于机器学习的海洋环境预报订正方法研究

Research on correction method of marine environment prediction based on machine learning

推荐 CAJ下载
PDF下载
不支持迅雷等下载工具，请取消加速工具后下载。

【作者】许立兵；王安喜；汪纯阳；陈悦；陈昱文；周峥；陈幸荣；邢建勇；刘克威；黄小猛；

【Author】 XU Libing;WANG Anxi;WANG Chunyang;CHEN Yue;CHEN Yuwen;ZHOU Zheng;CHEN Xingrong;XING Jianyong;LIU Kewei;HUANG Xiaomeng;National Supercomputing Center in Wuxi;Chengdu University of Information Technology;Department of Earth System Science, Tsinghua University;National Marine Environmental Forecasting Center;

【通讯作者】黄小猛;

【机构】国家超级计算无锡中心；成都信息工程大学；清华大学地球系统科学系；国家海洋环境预报中心；

【摘要】结合中尺度数值模式WRF预报数据和ERA5再分析资料,利用机器学习方法对WRF预报场的风场、温度、气压进行预报订正。采用ERA5作为真值,与原始WRF预报相比,利用随机森林模型可以将预报结果整体均方根误差降低44%以上,利用深度神经网络模型可以将预报结果整体均方根误差降低34%以上。通过随机森林模型实验得到不同输入特征对预报要素的影响程度,分析了关键的预报订正因子。更多还原

【Abstract】 Combining the mesoscale numerical model WRF and the ERA5 reanalysis data, machine learning method is used to improve the forecast accuracy of wind, temperature and pressure. ERA5 is assumed as the true value. Comparing with the bare forecast of WRF, the random forest model reduces the overall RMSE more than 44%, while the deep neural network reduces the overall RMSE more than 34%. The random forest model experiment shows that the influence of different input features on the forecast elements, based on which the key forecast correction factors are analyzed.更多还原

【关键词】 WRF模式；随机森林；深度神经网络；预报订正；
【Key words】 WRF model； random forest； deep neural network； forecast correction；

【基金】国家重点研发计划项目（2016YFB0201100;2017YFC1502200;2018YFB0505000;2018YFB1502800）;国家自然科学基金面上项目（41776010）;青岛海洋科学与技术试点国家实验室开放基金项目（QNLM2016ORP0108）

【文献出处】海洋通报 ,Marine Science Bulletin , 编辑部邮箱 ,2020年06期

【分类号】TP181;P73
【被引频次】5
【下载频次】362

知网节下载

节点文献中：

本文链接的文献网络图示:

本文的引文网络

节点文献