利用机器学习开发用于大气温度的全球气候模型

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》:Development of a Global Climate Model for Atmospheric Temperature using Machine Learning

【字体: 大 中 小 】 时间:2026年03月24日 来源:IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing 6.3

编辑推荐:

  摘要:本研究基于COSMIC I和COSMIC II卫星任务获取的无线电掩星数据,运用人工神经网络构建了一种全新的三维全球大气温度模型。研究共使用了1470万个经过质量控制的温度剖面数据,这些数据涵盖了约95亿个数据点,能够反映不同纬度、经度、高度(0-60公里)以及时间(200

  

摘要:

本研究基于COSMIC I和COSMIC II卫星任务获取的无线电掩星数据,运用人工神经网络构建了一种全新的三维全球大气温度模型。研究共使用了1470万个经过质量控制的温度剖面数据,这些数据涵盖了约95亿个数据点,能够反映不同纬度、经度、高度(0-60公里)以及时间(2006-2025年)下的温度变化情况。整个地球区域被划分为1,296个空间网格单元(10°×5°),以便进行针对性的神经网络训练,从而更高效地处理不同区域的大气动态特征。该模型的性能通过交叉验证以及与全球684个气象站的探空数据对比测试来评估。测试结果显示,模型的平均绝对误差在1.5-4.5摄氏度之间,均方根误差则在2.5-6.5摄氏度之间,其在热带对流层中的表现最佳,而高纬度地区的误差则逐渐增大。该模型能够成功再现各种关键的气候结构特征(包括对流层温度递减率、平流层温度逆温现象以及季节性半球不对称性),同时还能准确呈现昼夜和年度间的温度变化规律。长期模拟(2006-2025年)显示,对流层存在明显的变暖趋势(11公里高度处每年约上升0.07摄氏度),而平流层则出现相应的降温现象(32公里高度处每年约下降0.03摄氏度),这一结果与现有的卫星观测数据及再分析数据一致。这些研究表明,基于人工神经网络的框架能够有效模拟全球大气的热结构及其演变规律,为未来的气候监测和预报工作提供了一种可扩展的解决方案。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号