利用卫星地球观测的深度学习进行表面地貌场质量控制
摘要：使用特意构建的深度学习算法，对支撑欧洲中期天气预报中心(ECMWF)整合预报系统(IFS)质量的全球地理形态数据集进行验证。该算法在地表地理形态数据集和ERA5气象数据与MODIS卫星皮肤温度观测之间建立回归模型，并用于快速评估陆地表面方案的升级质量。通过改进机器学习工具的预测准确性，可减小输入地表参数化方案时的误差。本文使用VESPER评估近期对永久湖泊和冰川覆盖以及计划升级季节性变化的水体覆盖(如间歇湖泊)的准确性。结果显示，在湖泊字段得到更新的格点上，陆地表面温度的预测准确性提高了0.37 K(即更新后和原始地理形态数据之间的平均绝对误差差值)，而在湖泊被裸地(或相反)所取代的子集格点上，提高为0.83 K。此外，冰川覆盖的更新使预测准确性提高了0.22 K。通过VESPERR等神经网络，我们展示了如何帮助研究和发展地表参数化和其输入地理形态以更好地表示地球表面的气候和天气耦合过程。
作者：Tom Kimpson, Margarita Choulga, Matthew Chantry, Gianpaolo Balsamo, Souhail Boussetta, Peter Dueben and Tim Palmer
论文ID：2210.16746
分类：Atmospheric and Oceanic Physics
分类简称：physics.ao-ph
提交时间：2023-06-05