彩娱乐 中国科技期刊超卓步履盘算推介: AAS(2025年第1期)
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 大气科学中的主见-不雅测-建模揣度范式
摘抄: 天气与表象事件的可预告性揣度聚焦于厘清产生预告时弊的原因和机制, 进而给出减小预告不笃定性的规律和途径, 这不仅有助于鼎新不雅测和预告系统, 还能深刻对天气和表象场所的领悟. 在以前数十年里, 能源数值模式一直是天气表象事件可预告性揣度的主要器具, 于今已取得重要进展. 在大数据时间, 跟随东谈主工智能(AI)时间的涌现发展与海量气象数据的握住积存, 基于数据运行规律的天气与表象建模和预告正成为一大趋势, FourCastNet、Pangu-Weather和GraphCast是其中得手的前驱. 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模子的高效用和自带优化模块的上风, 将其应用于天气表象可预告性问题揣度中. 为此, 作家最初指出, AI模子应具备缜密的时空分辨率和对天气表象事件的高模拟才气, 以保险其可被用于两类可预告性问题揣度中. 具备与能源数值模式模拟才气特地的AI模子可被觉得以数据运行的口头提供出偏微分方程的数值解. 然后, 作家明确了多少枢纽的可预告性科常识题, 并将其转机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, 对提高天气与表象事件的预告技能具有紧迫的科学价值. 此外, 作家主张推进AI模子融入“主见-不雅测-建模”的揣度范式中. 在该范式中, 在AI模子中开展天气表象事件的可预告性揣度不仅梗概运行“大数据”向“大且更好的数据”转型, 还能促进“AI for forecasts”向“AI for Science”越过, 进一步推进大气和海洋科学的发展.
【封面故事】特邀不雅点|穆穆团队：相干AI模子的天气表象可预告性问题揣度
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 天行模子结构暗示图
摘抄: 在本文中, 咱们苛刻了一种名为“天行”(TianXing)的数据运行的天气预告模子. 该模子基于Transformer架构, 结合了物理增强假想, 以终了高效且精确的民众天气预告. 比年来, 雷同的基于Transformer的模子, 如盘古、风乌和伏羲, 已逐步成为数值天气预告的有劲替代决策. 然而, 这些模子在磨真金不怕火过程中正常需要败坏多量讨论资源, 何况在模子框架中对已知物理机制的结合相对有限. 与之比较, 天行选拔了线性复杂度的留意力机制, 使得模子的讨论复杂度随输入数据分辨率成线性增长, 从而大幅裁减了对GPU资源的需求, 且形成的精度上的耗损十分微细. 此外, 天行在其线性留意力机制中还引入了物理指令的显性留意力衰减机制, 进一步提高了预告才气. 该机制不错凭证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, 重新诊疗留意力权重, 从而使天行模子索求特征时更怜惜邻近的和物理相干的特征. 为了提高中期预告的性能, 天行模子还选拔了堆叠自追思瞻望算法进行磨真金不怕火. 咱们先在分辨率为5.625°的ERA5再分析数据上考证了模子架构的有用性, 然后基于0.25°的高分辨率数据集进行模子的磨真金不怕火. 模子预告技能标明, 天行在统计目的如纬度加权RMSE和ACC中展现了走漏上风, 尤其是在Z500(位势高度)和T850(温度)等大气变量上阐扬优异, 超越了以往的数据运行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瞻望中也阐扬出色.
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 轮回一致性生成招架汇集（CycleGAN）的基本框架
摘抄: 准确的季节性降水瞻望, 尤其是极点事件的瞻望, 对于防卫气象灾害过甚对国度发展、社会行为和安全可能产生的影响至关紧迫. 然而, 对于很多现存的能源模式而言, 夏日降水的强度每每被大幅低估. 本揣度选拔一种名为轮回一致性生成招架汇集(CycleGAN)的深度学习规律, 用于鼎新南京信息工程大学表象瞻望系统(NUIST-CFS 1.0)对中国东南部6至8月的季节性降水瞻望. 揣度终局标明, 与传统的分位数映射(QM)规律比较, 基于CycleGAN的模子显赫提高了夏日降水时空溜达瞻望的准确性. 使用非配对的时弊矫正模子, 还有助于咱们在极点降水事件的频率、强度和不息期间等方面取得远超能源模式的瞻望后果. 本揣度膨胀了深度学习模子在鼎新季节性降水瞻望方面的潜在应用.
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规律时间门道。上半部分是LightGBM模子的磨真金不怕火阶段，其中X0知道瞻望因子，Y知道不雅测数据。下半部分为瞻望阶段。BCC-CSM经过插值处理后的预告数据X1被用来当作预告因子，通过磨真金不怕火阶段学习到的非线性追思关系F，讨论赢得 F(X1)，即瞻望的终局。
摘抄: 季节降水是表象瞻望的要点和难点. 现存能源-统计相结合的不雅测拘谨矫正规律通过成就能源模式数据和站点不雅测而已之间的线性追思关系, 梗概在一定进程上瞻望季节降水. 然而, 使用线性追思算法措置非线性问题会存在显赫偏差. 本揣度基于BCC-CSM模式数据和站点不雅测而已, 使用机器学习模子Light Gradient Boosting Machine (LightGBM) 对现存的线性不雅测拘谨矫正模子进行非线性优化, 鼎新中国夏日降水瞻望后果. 模子的磨真金不怕火使用滚动口头进行, 后果对比标明LightGBM模子的阐扬优于线性追思模子(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个不同预告因子瞻望将来夏日降水, 2019-2022年夏日降水瞻望的距平相干所有(ACC)平均值为0.17, 瞻望评分(PS)平均值达到74. 其中PS相较于 BCC-CSM和线性不雅测拘谨规律分别提高了7.87%和6.63%. 与现存的线性不雅测拘谨决策比较, 选拔LightGBM的不雅测拘谨矫正瞻望显赫且安详地提高了中国夏日降水的瞻望技能, 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.
MiC建筑技术的核心优势在于其高效性、环保性和灵活性。通过工厂化生产，MiC建筑技术能够大幅缩短工期，减少现场湿作业，提高施工效率。这不仅降低了施工成本，还减少了施工过程中的不确定性和风险。其次，MiC建筑技术注重环保和节能。在工厂内进行标准化生产，能够减少建筑废弃物的排放，有利于资源节约和环境保护。同时，MiC建筑还可以采用环保材料和节能技术，进一步降低建筑的能耗和碳排放。此外，MiC建筑技术具有极高的灵活性。它可以根据客户需求进行个性化设计，满足多样化的建筑需求。
图1 DualDS的结构图。图中的黑框知道每次磨真金不怕火迭代所选拔的立地LR图像块，红框知道LR图像块对应的赞成图像块。“ Assist data”是亚网格圭表的赞成信息。AUP是带有赞成数据拘谨的上采样器，彩娱乐邀请码GDN是用于生成假LR图像块的下采样器，DDN是用于识别LR图像块真假的辩认器。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。
摘抄: 气象降圭表梗概将大圭表气象数据编削为具有丰富细节信息的小圭表数据, 庸俗应用于表象模拟、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圭表规律梗概有用捕捉气象数据在不同圭表之间的复杂非线性映射, 基于监督学习的深度学习降圭表规律在扩充中却濒临着高分辨率数据不及的窘境, 而无监督规律则由于小圭表的不笃定性, 难以从有限的大圭表输入中准确推断出小圭表细节. 本文苛刻了一种对偶学习框架DualDS, 利用基于生成招架汇集的神经汇集和亚网格圭表的赞成信息进行气象降圭表. 该规律通过上、下采样器构成一个双向的汇集框架,其中下采样器用于模拟升圭表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圭表过程中产生的时弊. 这种对偶学习战略不错在磨真金不怕火过程中摈斥对高分辨率真值数据的依赖, 并通过拘谨映射过程来优化降圭表终局. 实验终局标明, DualDS在定性和定量上王人不错与几种发轫进的深度学习降圭表规律相比好意思. 具体而言, 在单一地表温度数据降圭表任务中, 咱们的规律与其他使用交流数据集的无监督算法比较, 峰值信噪比提高了0.469 dB, 结构同样性提高了0.017,RMSE裁减了0.08, 何况相干所有阐扬最好. 说七说八, 本文苛刻了一种新的规律来措置无监督降圭表过程中的小圭表不笃定性问题.
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.
摘抄: 热带气旋是复杂而坚忍的天气系统, 准确瞻望其旅途、结构和强度仍然是气象揣度中的枢纽焦点和挑战. 本文苛刻了一种留意力时空瞻望生成招架汇集(AST-GAN)模子, 用于瞻望热带气旋的时空溜达. 该模子在将来15小时内以每3小时为断绝瞻望热带气旋风速的空间溜达, 要点怜惜气旋中心、高风速区域过甚非对称结构. 为了有用捕捉不同期间步长的时空特征传递, 咱们选拔了通谈留意力机制进行特征弃取, 提高了模子性能并减少了参数冗余. 咱们利用HWRF数据磨真金不怕火模子, 使其梗概掌抓多量热带气旋畅通模式. 该模子可应用于多种复杂景色, 如多个热带气旋同期转移或热带气旋登陆. 与HWRF的真确数据对比, 所苛刻的模子在举座风速瞻望的均方根时弊(RMSE)为0.71 m s−1, 最大风速的RMSE为2.74 m s−1, 展示了可靠的瞻望性能. 此外, 模子在使用ERA5再分析数据进行微调节逍遥测试后, 展示了其安详性和可膨胀性. 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
摘抄: 热带气旋(TC)强度估测是其监测与预告的基础. 比年来, 结合深度学习和卫星影像数据的TC强度估测算法已被庸俗应用, 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. 该模子选拔包括红外(IR)、水汽(WV)和被迫微波(PMW)在内的热带气旋卫星影像数据当作输入估测TC强度. 实验标明, 将IR、WV和PMW当作模子输入相较于其他的输入组合, 其估测精度更高. 而聚拢平均规律不错使ViT-TC模子估测终局的均方根时弊和平均全王人时弊分别进一步裁减至9.32节和6.49节. 终局自大, ViT-TC模子的估测后果要走漏优于传统规律, 且与现存的深度学习模子特地. 对模子留意力溜达的分析自大, 模子对高PMW值的区域分派了较高的留意力权重, 这标明高PMW值是TC强度估测的枢纽信号. 同期. 模子对云层掩盖区域分派了高留意力权重, 标明其通过从卫星影像数据索求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）均为全诱导（FC）。分享层选拔硬参数分享，特定层则选拔软参数分享。
摘抄: 气溶胶光学厚度(AOD)和直径小于便是2.5 µm的细颗粒物(PM2.5)在空气质料、东谈主类健康和表象变化中演出着紧迫变装. 然而,AOD与PM2.5之间复杂的相干性及现存反演算法的局限性,使得在兼并场所精确反演这两个参数濒临众多挑战. 为搪塞这一问题, 本文苛刻了一种基于多任务学习(MTL)的模子, 旨在终了PM2.5浓度与AOD的搭伙反演. 该模子应用于风浪四号A星先进静止轨谈放射成像仪(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——立地丛林(RF)和深度神经汇集(DNN)——进行了对比. 具体而言,MTL在AOD反演中的决定所有(R2)为0.88, 均方根时弊(RMSE)为0.10. 与RF比较,R2加多了0.04,RMSE减少了0.02, 反演终局在预期时弊范畴内的百分比(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模子梗概同期提高AOD和PM2.5反演的准确性, 尤其在高效捕捉两者空间溜达方面阐扬出显赫上风.
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.
摘抄: 热带气旋(TC)是最严重的当然灾害之一, 准确的热带气旋行为瞻望是防卫和收缩灾害的枢纽. 比年来, 热带气旋轨迹瞻望取得重要进展, 但强度瞻望才气走漏滞后. 现在, 热带气旋强度瞻望的揣度以大气再分析数据为揣度对象, 通过深层学习挖掘热带气旋相干环境因素与强度之间的关系. 然而, 再分析数据在实质上曲直实时的, 难以知足业务预告应用需求. 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交融来构建热带气旋对流结构与强度的相干性. 针对热带气旋复杂的动态过程, 本文使用卷积神经汇集(CNN)学习那时序特征和空间特征. 在实时强度揣摸这一主任务下, 多任务学习起到隐式时序增强作用. 模子假想了滚动战略, 旨在缓解弥远依赖衰减问题, 提高短期强度瞻望的精度. 筹商到多个任务之间的相干性, 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小时强度瞻望上的均方根时弊(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, 考证了该模子的有用性.
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 神经汇集架构(以ΔT输入期停止绝为例)。蓝色框代表多通谈特征图，通谈数在框上方标注，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。不同情愫的前头代表不同的操作。
摘抄: 实时准确的风暴潮瞻望不错有用防卫台风风暴潮在沿海地区形成众多的经济损成仇东谈主员伤一火. 现在, 数值模子瞻望败坏资源过多, 讨论期间过长, 而神经汇集瞻望勤苦区域数据来磨真金不怕火区域瞻望模子. 本揣度使用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, 使用台风数据库磨真金不怕火了具有Res-U-Net结构的神经汇集, 以瞻望考证数据聚集的台风过程, 并在珠江口地区取得了出色的风暴潮瞻望后果. 通过添加分支结构和迁徙学习, 提高了强台风风暴潮瞻望的后果.
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
摘抄: 雷暴大风突发性强、圭表小, 正常发生在几公里的区域范畴内. 仅依靠自动气象站不雅测难以终了雷暴大风缜密化监测和预告. 因此需要利用多种高时空分辨率的不雅测而已进行雷暴大风识别. 本文利用多模态深度特征交融时间, 苛刻了一种新式雷暴大风智能识别算法(TGNet). 最初选拔气象变换(ST)索求自动气象站的风速时序特质, 提高隔离雷暴大风和冷空气大风的才气. 然后基于轮回残差U型汇集(R2U-Net)索求卫星、雷达、闪电等多源不雅测的空间对流特征. 临了基于多头交叉留意力构建的多模态深度交融模块, 将站点风速时序特征融入对应的格点信息中, 终判辨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, 枢纽得手指数(CSI)达到0.77. 与U-Net和R2U-Net比较虚警率分别裁减了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产物, 梗概为气象预告员发布雷暴大风预警提供更缜密、更精确的网格监测产物.
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.
摘抄: 现存的传统海洋垂直搀和决策是凭证申饬制定的, 对其中波及的物理过程勤苦澈底的了解, 导致参数化和预告终局之间存在互异. 海洋搀和参数化的不笃定性是形成海洋模式偏差的主要原因. 利用深度学习时间, 咱们以Inception模块为基线, 假想了自适应全诱导模块, 最大戒指地减少偏差. 它通过不同宽度的全诱导层自适应地索求最好特征, 更好地学习输入变量和参数化场之间的非线性关系. 此外, 为了赢得更精确的终局, 咱们选拔了 KPP(K-Profile Parameterization)和 PP(Pacanowski-Philander)决策当作物理拘谨, 使汇集参数化过程愈加治服基本物理规章. 由于模子数据是凭证东谈主类申饬讨论得出的, 短缺一些未知的物理过程, 可能与履行数据存在互异, 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期间记载当作磨真金不怕火数据. 结合物理拘谨和非线性激活函数, 咱们的规律不错捕捉其非线性变化, 更好地适应海洋搀和参数化过程. 物理拘谨的使用不错改善最拆伙尾.
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时弊，对极点事件的偏差，PSY4和DLM预告时弊的水平溜达。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。
摘抄: 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)的预告技能是一个基础且紧迫的问题. 然而, 鲜有揣度使用交流的参考数据来比较它们的预告时弊. 本揣度针对南海海表温度(SST)、海表高度特地(SLA)和海表流场, 发展了三个物理合理的DLM, 然后选拔测试集和“OceanPredict”预告系统间比较与考证使命组第四类数据(Class 4)评估了三个DLM的预告技能, 并与OFS进行了横向比较. 终局自大, 分别选拔测试集和Class 4数据集当作参考数据, DLM在后者上的均方根时弊分别加多了44%(SST)、245% (SLA)、302%(流速)和109%(流向). 这阐明不同的参考数据对评估终局存在显赫影响, 使用交流且逍遥的参考数据比较DLM和OFS是必要的. 相对于Class 4数据集, DLM对SLA的预告技能显赫优于OFS, 而对其他变量的技能略高于OFS. DLM和OFS预告时弊的空间溜达存在一定的同样性, 这可从可预告性的角度加以阐扬. 对极点事件而言, SLA和流速的预告均存在较大的预告时弊, 但DLM和OFS并不存在显赫的判袂; 对SST和流向预告, DLM的时弊可能更大. 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)过甚特地(填色)和水平风场特地(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，打点为合成特地在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)过甚特地(填色)合成场。
摘抄: 位涡条带是高位涡向南侵入所形成的狭长带状结构, 正常阐扬出三种不同的气象, 分别是东北–西南歪斜的普通条状、钩状和音符状位. 位涡条带每每出现于中高纬度干旱半干旱的中亚地区, 对天气产生紧迫的影响. 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磨真金不怕火, 以磨真金不怕火出一个可识别不同气象位涡条带的权重模子. 该模子能有用地隔离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合要素析发现: 从普通位涡条带到音符状位涡条带, 其环流逐步加深, 并呈现出越来越走漏的南北回转特征. 音符状位涡条带具有位涡塔和走漏的堵截低压, 其相干的高涨畅通和降水主要聚集在位涡塔以东约1200公里的范畴内. 固然钩状位涡条带与较弱的堵截低压相干联, 但其相干高涨畅通和降水的范畴委果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波幻灭相干, 其环流较为浅陋, 导致的高涨畅通和降水主要溜达在其以东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 集成交融模子反演南海表层海洋温盐结构的过程图
摘抄: 海洋表层温盐三维结构过甚期间变异对表象变化及海洋防灾减灾揣度王人具有紧迫风趣风趣. 然而, 对于海洋温盐结构的实时获取正常依赖于现场不雅测或海洋环流模式数值模拟, 难度大而且老本高. 比年来, 前东谈主苛刻了利用能源学、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揣度相对匮乏. 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, 然后选拔Stacking战略对三个模子(XGBoost、Random Forest和LightGBM)进行集成, 临了通过温盐交融来实时反演南海表层海洋温盐结构. 在考证数据集上反演的温(盐)度结构平均相干性所有(Corr)为0.919(0.83), 平均均方根时弊(RMSE)为0.639°C(0.087 psu), 平均决定所有为(R2)0.84(0.68). 绝顶是在基础模子时弊最大的温跃层, 集成交融模子阐扬出最大的性能提高, 其中最大提高卓绝了10%. 此外, 在中圭表涡配景下, 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素雅一致性. 本文苛刻的模子能有用地实时反演南海表层海洋温盐结构, 成心于加深对南海多圭表海洋能源过程的领悟和揣度.
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
摘抄: 网格化预告能有用提高预告产物的时空密度, 提高短时驾御海洋灾害预告预警才气, 依靠预告员主不雅站点矫正的传统口头也曾无法知足缜密化预告的履行需要. 针对这一问题, 本文苛刻了一种基于Transformer鼎新的UNet交融风浪信息的海潮预告智能矫正模子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求才气. 本文选拔了欧洲中期天气预告中心(ECMWF)提供的风速、浪高预告数据和有用波高再分析数据, 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小时预告矫正终局的均方根时弊、平均时弊、圭表差均小于UNet模子, 其中相对于矫正前均方根时弊减小了21.55%以上. 经统计分析, 对将来24小时预告矫正后的浪高时弊有87.81%小于±0.2m, 而仅有4.56%在±0.3m除外, 有用阻止了时弊上限, 提高了海潮预告才气.
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.
摘抄: 传统的气象降圭表规律在处理具有复杂溜达的气象问题彩娱乐, 尤其是极点天气事件时, 每每存在瞻望不安详性. 为了措置上述问题, 作家苛刻了一种基于卷积图神经汇集(CGNN)的模子, 并通过多层特征交融和压缩-激发模块对其进行优化. CGNN梗概从全局视角索求并团员枢纽的空间特征, 从而提高模子的瞻望精度和泛化才气. 此外, 作家还引入了一种空间平衡均方时弊(SBMSE)耗损函数, 以更好地处理气象变量溜达不平衡和空间变异性的问题. 实验终局标明, CGNN在偏差溜达方面阐扬出较小的方差, 具有更好的安详性. 在降水瞻望方面, UNet和自编码器(AutoEncde, AE)也自大出相对较小的偏差. 对于温度, AE和CNNdense在冬季降水方面阐扬出更好的瞻望才气. 与传统规律比较, 期间相干所有在日圭表和月圭表上, 不管是温度如故降水的瞻望精度王人提高了至少10%. SBMSE耗损函数在瞻望第98百分位数和识别极点事件发生区域方面阐扬出色, 但存在高估极点降水量值的倾向, 这可能与对数据后验溜达的表面假定部分死心了耗损函数的有用性相干. 作家准备在将来的使命中进一步优化SBMSE以提高瞻望精度.