-
题名基于深度学习的月平均2 m气温订正方法
- 1
-
-
作者
方巍
王冰轮
-
机构
南京信息工程大学计算机学院/数字取证教育部工程研究中心
中国气象局流域强降水重点开放实验室/暴雨监测预警湖北省重点实验室/中国气象局武汉暴雨研究所
南京气象科技创新研究院/中国气象局交通气象重点开放实验室
南京信息工程大学江苏省大气环境与装备技术协同创新中心
-
出处
《热带气象学报》
CSCD
北大核心
2024年第6期906-917,共12页
-
基金
国家自然科学基金项目(42075007、42475149)
灾害天气国家重点实验室开放项目(2021LASWB19)
+2 种基金
江苏省研究生科研创新计划项目(KYCX22_1218)
中国气象局交通气象重点开放实验室开放研究基金项目(BJG202306)
中国气象局流域强降水重点开放实验室开放研究基金(No.2023BHR-Y14)共同资助。
-
文摘
作为减少短期气候预测误差的技术,数据订正成为了重要的研究方向。而深度学习作为一种新兴方法已经应用到数据订正技术中,其中常用的模型是U-Net,但它存在不可避免的缺陷。第一,U-Net基于卷积神经网络,但是受限于卷积神经网络的小感受野,这导致U-Net不能从全局的角度学习空间特征;第二,U-Net的下采样操作容易丢失图像细节信息。这两点都影响了该模型的订正性能。因此采取以下两个措施进行改进,一是将原模型与能够学习图片全局特征的Vision Transformer有机结合起来,使其能够从全局的角度学习空间特征;二是引入UNet 3+模型中的全尺度连接操作,弥补原下采样中丢失的图像细节信息。改进之后的模型称为UNet-Former 3+,在CMIP6中月平均2 m气温的春季和冬季数据集上进行订正实验,ERA5为实验标签。模型会与分位数映射、岭回归、U-Net、CU-Net、Dense-CUnet和RA-UNet这六种订正方法进行对比。实验结果表明,此模型在两个季节的平均绝对误差都下降49%,均方根误差都下降57%,两者都低于上述六种方法。总之,UNet-Former 3+在春季和冬季的订正效果优于上述六种方法。
-
关键词
短期气候预测
数据订正
Vision
Transformer
全尺度连接
UNet-Former
3+
-
Keywords
short-term climate prediction
bias correction
Vision Transformer
full-scale connection
UNet-Former 3+
-
分类号
P456.5
[天文地球—大气科学及气象学]
-
