报告详情
基于机器学习的资料同化中模型误差与观 测误差表征及其交叉相关性估算
编号：325
访问权限：仅限参会人
更新：2026-03-28 17:32:30 浏览：18次
特邀报告
报告开始：2026年04月28日 08:50（Asia/Shanghai）
报告时间：12min
所在会场：[S1-31] 专题1.31 大气海洋数据同化新理论、新方法及其应用 [F59] 专题1.31 大气海洋数据同化新理论、新方法及其应用
暂无文件
摘要
本研究提出了基于机器学习ML的同化方案，在资料同化过程中对模式误差和观测误差进行独立表征，模式误差机器学习方案采用生成对抗网络生成依赖于流场的模式修正项观测误差机器学习方案则可自适应估算观测误差协方差矩阵。进一步推导出广义化公式CorrFOE、用于引入通常被忽略的预报误差与观测误差之间的交叉相关性。通过洛伦兹Ⅲ模式的孪生实验对上述方案讲行了严格评估。结果表明，各基于机器学习的方案均显著优于传统方法，使分析场的均方根误差大幅降低。特别地，模式误差机器学习方案在恢复小尺度结构方面表现尤为突出。最关键的是，将两种机器学习方案协同使用，并显式引入预报误差与观测误差的交叉相关性后，所得分析场精度最高，实现了最低的均方根误差和最佳谱保真度。模式误差机器学习方案、观测误差机器学习方案及广义相关方案带来的额外计算成本适中，证实了其业务化应用潜力。
关键词
资料同化,模式误差,观测误差,交叉相关,机器学习
报告人
曾跃飞
教授 南京信息工程大学稿件作者
全部评论
重要日期
-
会议日期
04月25日
2026
至04月29日
2026
-
04月07日 2026
初稿截稿日期
主办单位
未来大气科学论坛理事会
承办单位
河海大学海洋学院
南京大学南京赫尔辛基大气与地球系统科学学院
南京大学南京赫尔辛基大气与地球系统科学学院
联系方式
- 秦箭煌
- qi******@hhu.edu.cn
- 173********
- 薛廉
- li******@nju.edu.cn
- 156********
- 孙佳妮
- sc******@chytey.com
- 152********
历届会议
-
2025年04月17日 中国 北京
第一届未来大气科学论坛
发表评论