该文旨在改进风速订正模型,以提高第6代跨学科气候研究模式(Model for Interdisciplinary Research on Climate Version 6,MIROC6)历史时期10 m风速的模拟准确性。研究基于Informer模型,结合多层感知机,构造了非平稳Informer(Ns-Informe...该文旨在改进风速订正模型,以提高第6代跨学科气候研究模式(Model for Interdisciplinary Research on Climate Version 6,MIROC6)历史时期10 m风速的模拟准确性。研究基于Informer模型,结合多层感知机,构造了非平稳Informer(Ns-Informer)10 m风速订正模型。研究提出了一种新的加权趋势均方误差损失函数,以优化模型在高风速条件下的订正性能,选取北京站、拐子湖站、茫崖站、吉安站4个代表站进行验证。结果表明:Ns-Informer在月尺度和年代际尺度上均能还原风速时间分布特征,订正后10 m风速的均方根误差降低20%~50%,在风速超过5 m·s^(-1)时表现最佳。Ns-Informer订正后的月平均10 m风速演变趋势与观测吻合度提高。在夏季和秋季订正效果显著,月平均10 m风速均方根误差降低25%以上。年代际变化趋势的订正表明Ns-Informer能矫正MIROC6对风速长期变化趋势的偏差,订正后的风速序列捕获了不同站点风速长期的上升或下降趋势。未来情景检验进一步表明:Ns-Informer能在SSP1-2.6情景下对高风速阈值的订正稳定性优于MIROC6。Ns-Informer可以有效降低MIROC6的系统偏差,为未来气候变化情景下风速的精确预估提供参考。展开更多
精准的风速预报对高效利用风能资源和减少碳排放具有重要意义.针对卷积神经网络(Convolutional Neural Networks,CNN)风速订正模型由于训练样本小和训练时间成本高造成的应用缺陷,本文提出一种基于CNN与迁移学习的风速订正模型Wind-VGG1...精准的风速预报对高效利用风能资源和减少碳排放具有重要意义.针对卷积神经网络(Convolutional Neural Networks,CNN)风速订正模型由于训练样本小和训练时间成本高造成的应用缺陷,本文提出一种基于CNN与迁移学习的风速订正模型Wind-VGG19(Wind-Visual Geometry Group 19).首先将数值预报模式风速输出订正问题转化为图像特征提取问题,然后对VGG19模型训练ImageNet数据集得到的网络权重进行迁移学习.本文利用Wind-VGG19对欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts,ECMWF)、中国气象局(China Meteorological Administration,CMA)与美国国家环境预测中心(National Centers for Environmental Prediction,NCEP)次季节-季节(Sub-seasonal to Seasonal,S2S)项目预报的1~40天(days,d)10 m风速数据进行学习订正,并将模型订正结果与预报模式集合平均以及基于传统机器学习方法的自适应提升(Adaptive Boosting,AdaBoost)和梯度提升回归(Gradient Boosting Regression,GBR)订正结果进行对比,结果表明:Wind-VGG19、Adaboost与GBR对不同模式订正结果均优于模式集合平均,其中Wind-VGG19订正效果明显优于其他订正模型.以ECMWF为例,Wind-VGG19订正预报的均方根误差(Root Mean Squared Error,RMSE)最小,与再分析数据之间显著相关百分比最高;Wind-VGG19在不同预报时效下均能准确订正出区域风速高值中心,其他订正模型与集合平均方法随着预报时效增加,无法对高值中心进行准确捕获.展开更多
文摘该文旨在改进风速订正模型,以提高第6代跨学科气候研究模式(Model for Interdisciplinary Research on Climate Version 6,MIROC6)历史时期10 m风速的模拟准确性。研究基于Informer模型,结合多层感知机,构造了非平稳Informer(Ns-Informer)10 m风速订正模型。研究提出了一种新的加权趋势均方误差损失函数,以优化模型在高风速条件下的订正性能,选取北京站、拐子湖站、茫崖站、吉安站4个代表站进行验证。结果表明:Ns-Informer在月尺度和年代际尺度上均能还原风速时间分布特征,订正后10 m风速的均方根误差降低20%~50%,在风速超过5 m·s^(-1)时表现最佳。Ns-Informer订正后的月平均10 m风速演变趋势与观测吻合度提高。在夏季和秋季订正效果显著,月平均10 m风速均方根误差降低25%以上。年代际变化趋势的订正表明Ns-Informer能矫正MIROC6对风速长期变化趋势的偏差,订正后的风速序列捕获了不同站点风速长期的上升或下降趋势。未来情景检验进一步表明:Ns-Informer能在SSP1-2.6情景下对高风速阈值的订正稳定性优于MIROC6。Ns-Informer可以有效降低MIROC6的系统偏差,为未来气候变化情景下风速的精确预估提供参考。
文摘精准的风速预报对高效利用风能资源和减少碳排放具有重要意义.针对卷积神经网络(Convolutional Neural Networks,CNN)风速订正模型由于训练样本小和训练时间成本高造成的应用缺陷,本文提出一种基于CNN与迁移学习的风速订正模型Wind-VGG19(Wind-Visual Geometry Group 19).首先将数值预报模式风速输出订正问题转化为图像特征提取问题,然后对VGG19模型训练ImageNet数据集得到的网络权重进行迁移学习.本文利用Wind-VGG19对欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts,ECMWF)、中国气象局(China Meteorological Administration,CMA)与美国国家环境预测中心(National Centers for Environmental Prediction,NCEP)次季节-季节(Sub-seasonal to Seasonal,S2S)项目预报的1~40天(days,d)10 m风速数据进行学习订正,并将模型订正结果与预报模式集合平均以及基于传统机器学习方法的自适应提升(Adaptive Boosting,AdaBoost)和梯度提升回归(Gradient Boosting Regression,GBR)订正结果进行对比,结果表明:Wind-VGG19、Adaboost与GBR对不同模式订正结果均优于模式集合平均,其中Wind-VGG19订正效果明显优于其他订正模型.以ECMWF为例,Wind-VGG19订正预报的均方根误差(Root Mean Squared Error,RMSE)最小,与再分析数据之间显著相关百分比最高;Wind-VGG19在不同预报时效下均能准确订正出区域风速高值中心,其他订正模型与集合平均方法随着预报时效增加,无法对高值中心进行准确捕获.
