【技术实现步骤摘要】
本专利技术涉及大气科学与数值天气预报领域，特别是涉及一种基于机器学习的流依赖背景场误差协方差动态调整方法。
技术介绍
1、对于数值天气预报而言，资料同化系统的性能直接影响预报的准确性和可靠性。资料同化是通过将观测数据与数值模式的背景场信息相结合，生成更加接近真实状态的初始场。因此，背景场误差协方差（background error covariance，bec）在数据同化系统中起着至关重要的作用，决定了观测数据如何修正背景场。
2、然而，变分框架下，如三维变分同化（3d-var）和四维变分同化（4d-var），大多数采用静态的误差协方差矩阵，这些bec矩阵在整个同化周期内保持不变，未能充分考虑大气状态的流依赖特性。静态误差协方差往往无法精确捕捉大气中快速变化的动力学和物理过程，限制了数值天气预报的精准度。
3、集合卡尔曼滤波（ensemble kalman filter，enkf）等方法通过利用集合预报计算背景误差协方差，能够在一定程度上引入流依赖性。然而，由于集合预报成员数量有限，导致误差协方差的估计存在不确定...
【技术保护点】
1.一种基于机器学习的流依赖背景场误差协方差动态调整方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于机器学习的流依赖背景场误差协方差动态调整方法，其特征在于，步骤S300中训练后的机器学习模型，为基于LightGBM构建的背景场不确定度的机器学习模型，模型的目标是将从控制试验的背景场中提取气象要素作为输入特征预测对应的集合离散度，表示为：
3.根据权利要求2所述的基于机器学习的流依赖背景场误差协方差动态调整方法，其特征在于，在对基于LightGBM构建的背景场不确定度的机器学习模型进行训练中，采用逐层训练的模式，即用每一层的输入特...
【技术特征摘要】
1.一种基于机器学习的流依赖背景场误差协方差动态调整方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于机器学习的流依赖背景场误差协方差动态调整方法，其特征在于，步骤s300中训练后的机器学习模型，为基于lightgbm构建的背景场不确定度的机器学习模型，模型的目标是将从控制试验的背景场中提取气象要素作为输入特征预测对应的集合离散度，表示为：
3.根据权利要求2所述的基于机器学习的流依赖背景场误差协方差动态调整方法，其特征在于，在对基于lightgbm构建的背景场不确定度的机器学习模型进行训练中，采用逐层训练的模式，即用每一层的输入特征学习该层次的离散度；对于每一层次的训练，模型目标是最小化损失函数，表示为：
4.根据权利要求1所述的基于机器学习的流依赖背景场误差协方差动态调整方法，其特征在于，步骤s100中所述集合扰动方法为奇异向量扰动或集合卡尔曼滤波生成的扰动方案。
5.根据权利要求1所述的基于机器学习的流依赖背景场误差协方差动态调整方法，其特征在于，步骤s200中基于所述预...
【专利技术属性】
技术研发人员：孟德明，陈耀登，王元兵，李昕，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。