- 我的订阅
- 科技
我们正处于一个信息大暴发的时代，每天都能产生数以百万计的新闻资讯！
虽然有大数据推荐，但面对海量数据，通过我们的调研发现，在一个小时的时间里，您通常无法真正有效地获取您感兴趣的资讯！
头条新闻资讯订阅，旨在帮助您收集感兴趣的资讯内容，并且在第一时间通知到您。可以有效节约您获取资讯的时间，避免错过一些关键信息。
时空深度学习大气环境预报模型“出炉”为区域和城市污染防控及快速预警提供支持
本文转自：中国气象报
本报讯 通讯员楚艳丽 记者吴鹏报道7月19日，北京城市气象研究院联合北京市气象台、南京信息工程大学科研人员，开发出一款名为PPN的时空深度学习大气环境预报模型，用于预报区域PM浓度的时空分布。该模型能够为区域和城市污染防控及快速预警提供支持，在算力资源充足的情况下，还可以进一步扩展预测时空范围和污染物种类，对相关部门提前制定有效对策、保护公众健康等具有重要意义。
PPN模型克服了气溶胶浓度预报最常用工具——大气化学传输模式（CTM）计算慢、准确度欠佳的缺点，可基于深度学习和数值天气预报直接提供区域气溶胶预报。它仿照CTM模式计算构架，将输入特征根据其对PM的影响分为本地生成类（影响化学和湍流过程）和输送影响类（影响污染物输送过程），并分别输入深度学习算法的不同层中。在时间序列上，该模型采用编码器-解码器结构，起报时间之前是编码阶段，模仿CTM的spin-up过程；解码阶段则模仿CTM 的预报过程，并加入数值预报模式预报特征作为约束。
该研究在编码阶段借鉴了传统模式中四维同化的思路，将spin-up阶段的多时间观测信息加入，以构建更好的预报初始场。此外，还设计了加权损失函数以改进对极端事件的预测。
研究者针对京津冀地区2022年1月的PM浓度进行了预报试验，结果显示，PPN模型能在1秒内给出整个区域0至72小时的PM浓度预报 （水平网格分辨率为9公里），且准确度明显优于传统CTM的预报结果。
相关研究已经在《自然》合作期刊《npj-气候与大气科学》上发表。
以上内容为资讯信息快照，由td.fyun.cc爬虫进行采集并收录，本站未对信息做任何修改，信息内容不代表本站立场。
快照生成时间：2023-07-25 20:45:12
本站信息快照查询为非营利公共服务，如有侵权请联系我们进行删除。
信息原文地址：
