聯系方式 Contact

南京天氣在線氣象科技有限責任公司

地址:北京市海淀區海淀西大街36號9層

電話:010-58995339

手機:18611808504

傳真:010-58995339

網址:www.szad-expo.com

搜索 Search
你的位置:首頁 > 新聞動態 > 智慧氣象

Nature子刊 | 基于深度學習重建熱帶氣旋風壓場

 2024-01-21 15:11:12  點擊:

轉載于 ClimAI 智慧氣象

今天介紹一篇最近發表在Communications Earth & Environment上的文章《Realistic tropical cyclone wind and pressure fields can be reconstructed from sparse data using deep learning》,這篇文章探討了如何使用深度學習重建稀疏數據下的熱帶氣旋風力和壓力場。

研究顯示,物理信息神經網絡(PINN)是一種有效的數據同化算法,能夠重建完整的二維和三維風力和壓力場,并且能夠準確重建颶風艾達。

一:引言

熱帶氣旋在熱帶和中緯度地區造成了重大影響,對生命、財產和農作物構成嚴重威脅。準確了解并預測風場的當前狀態對于高效的災害應對和減災至關重要。颶風預測通常采用動力學模型,這些模型基于控制流體動力學的物理方程。

雖然颶風預測技術已取得顯著進步,但在預測颶風強度方面仍存在挑戰。當前的研究集中于開發新技術和框架,以更準確、高效地整合觀測數據,以期改進或替代現有預測方法。

二:數據及其方法

文中數據源于SHiELD模型,該模型采用了GFDL有限體積立方球(FV3)動力核心和類似NCEP GFS模型的物理參數化。重點是對2021年颶風艾達在墨西哥灣迅速增強的預測。

提供的數據有二維和三維格式,二維數據具有1小時時間和3.2公里空間分辨率,三維數據的時間分辨率為3小時,垂直分辨率約為15 hPa。

文章也利用了颶風獵人飛機和下投探空儀收集的實時飛行和探空數據,以幫助理解颶風的流場。

1 一般PINN結構和訓練數據示意圖

文章采用方法:

1.物理方程簡化: 運用簡化的Navier-Stokes方程和連續性方程,考慮地球自轉效應和壓力坐標系統。

2.PINN結構: 構建了一個物理信息神經網絡(PINN),它與傳統的全連接神經網絡結構相似,但在損失函數實現上有所區別。網絡的輸入包括空間和時間坐標,輸出為風速向量和地勢高度,通過多個隱藏層處理數據。

3.模型訓練: 利用實測數據和物理方程對PINN進行訓練,采用AdamL-BFGS優化器進行迭代訓練,以提高預測準確性。

4.風場重建: 通過PINN重建颶風艾達在不同預測時刻的風場,特別關注颶風在增強階段的表現。

三:結果

3.1 二維案例

這部分介紹了使用物理信息神經網絡(PINN)重建颶風艾達850hPa風場的方法。通過在每3小時采用交叉和加號模式采樣數據點,模擬颶風獵人飛機的飛行路徑,PINN能夠準確捕捉風暴的大尺度結構和特征,包括最大風速位置和整體徑向風速剖面。