219 / 2023-04-02 20:27:45

深度迁移学习在边界层高度反演中的应用

深度学习,迁移学习,激光雷达,大气边界层

大气边界层高度是研究数值模式预报和城市地区空气污染物扩散的重要参数，目前大多使用数值反演方法计算大气边界层高度，存在时间分辨率小、结果跳变大的问题。地基气溶胶激光雷达探测精度高、连续性强，能有效克服上述问题，对研究大气边界层参数有重要意义。考虑到目前积累的气溶胶激光雷达数据量较少的显示问题，将深度学习领域图像识别卷积核迁移学习方法，应用到大气边界层计算中，可有效提高计算结果的可用性。首先利用常规探空数据做预训练；再利用迁移学习技术，将模型迁移至气溶胶激光雷达原始回波数据上进行训练，使用K折交叉验证方法得到最终模型；最后对模型进行测试和分析。通过个例分析并对模型进行解耦分析，与传统梯度法相比，该方法不仅更贴近常规探空资料计算的大气边界层高度，而且能识别大气边界层的光学特征，为更进一步探索大气边界层的物理特征提供更有效的数据。