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.基于机器学习的海洋环境预报订正方法研究[J].海洋通报,2020,(6):
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
投稿时间:2020-03-06  修订日期:2020-09-21
DOI:10.11840/j.issn.1001-6392.2020.06.007
中文关键词:  WRF 模式  随机森林  深度神经网络  预报订正
英文关键词:WRF model  random forest  deep neural network  forecast correction
基金项目: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)
作者单位E-mail
许立兵 国家超级计算无锡中心江苏 无锡 214011 jndxxlb@163.com 
王安喜 国家超级计算无锡中心江苏 无锡 214011  
汪纯阳 成都信息工程大学四川 成都 610225  
陈悦 清华大学 地球系统科学系北京 100084  
陈昱文 清华大学 地球系统科学系北京 100084  
周峥 国家超级计算无锡中心江苏 无锡 214011清华大学 地球系统科学系北京 100084  
陈幸荣 国家海洋环境预报中心北京 100081  
邢建勇 国家海洋环境预报中心北京 100081  
刘克威 国家海洋环境预报中心北京 100081  
黄小猛 国家超级计算无锡中心江苏 无锡 214011清华大学 地球系统科学系北京 100084 hxm@tsinghua.edu.cn 
摘要点击次数: 175
全文下载次数: 78
中文摘要:
      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。
英文摘要:
      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.
查看全文    下载PDF阅读器
关闭