机器学习在大气科学中的应用数据重构

数据重构基于机器学习的数据重构本质：插补/插值、拟合、插补、反演、融合、降尺度、同化等与模式后处理一样，应用相对成熟应用：（1）精细化天气预报动力降尺度成本过高；（2）观测站建站成本过高，可用结合地理信息（经纬度、海拔、地形等）重构的数据代替。基于机器学习构建的模型可以考虑多维度的其他场气象要素信息，如风场、、气压场、湿度场等的信息，并用深度学习神经网络结构去学习模拟这些要素之间的作用关系。数据重构：数值模式降水产品降尺度1°X1°或0.5°X0.5°0.25°X0.25°再分析数据程文聪等，2020，热带气象学报数据重构：数值模式降水产品降尺度程文聪等，2020，热带气象学报融合了历史空间相关性信息和时间相关性信息单时次程文聪等，2020，热带气象学报数据重构：数值模式降水产品降尺度多时次ERA-Interim逐日DEM坡度入射太阳辐射地形湿度指数植被覆盖土地利用类型…中亚高分辨逐日数据重构：中亚地区高分辨格点等，2020，干旱区研究数据重构：中亚地区高分辨格点等，2020，干旱区研究数据重构：卫星图片反演辐照量站点辐照量对应卫星图片最佳位置选取随机森林N效果不好）分时段建模构造云层厚度特征(HSV)特征选择残差..照片反演能见度数据集及方法介绍数据：为1638张10点至18点间白天图像及其能见度值，拍摄角度大致固定；对应站点对应时间的能见度数值目标是从单个图片中预测能见度方法（图像预处理+卷积网络）：卷积网络的框架借鉴了另一篇论文的方法VisNet：三个并列N，分别输入原图，傅立叶变换+高通滤波(FFT)后的原图，和伪彩色处理(CM)的原图在VisNet基础上进行改良，加入散射率图像(T)作为第四个并列的输入伪彩色处理和FFT只提供相对的场景深度信息，不能直观看出透射率（雾浓度）信息，所以通过暗通道先验算出透射率图像作为输入且在可视化FFT图片后发现FFT受时间影响较大，寻找可替代FFT的输入PalvanovandCho.VisNet:DeepConvolutionalNeuralNetworksforForecastingAtmosphericVisibility.Sensors,2019距离图片数量能见度[米]类别个数类别间距[米]长距140,0000-20,00041500短距100据集为白天的雾天图像，能见度数据和图片来源于气象站及其某著名企业VisNet伪彩色处理根据一定准则给灰度值赋予彩色值的处理，以提高人眼对图像的细节分辨能力，达到图像增强的目的将原图转为灰度图用连续色图把灰度图转化成彩色图像主要作用：特征增强高能见度中能见度低能见度FFT+高通滤波（去掉大背景轮廓不清晰的部分）FFT

(快速傅氏变换)

:将图像从空间域转化为频域信号fftshift：把低频信号集中在中心高通滤波器：允某一截频的频率通过,去掉信号中低频成分0~33~66~1212~1515~1818~20不同能见度区间的绝对误差箱型图数据重构：集合深度学习方法的能见度融合深度神经网络模型、随机森林模型、梯度强化模型和广义线性模型等多个机器学习模型；气象观测、大气成分观测、模式模拟、土地利用类型等多源数据；全国12km分辨率、逐小时分辨率；能见度与湿度和颗粒物浓度相关性较强。吕宝磊等，2018，气象科技进展数据重构：集合深度学习方法的能见度融合吕宝磊等，2018，气象科技进展利用集合深度学习的方法可以更好地表征山脉和平原交界处的走向，而直接插值的空间变化呈现梯度特征，具有较差的空间解析度，深度学习数据融合方法可以更好地反映能见度的变化特征。Similarproblemtodeeplearning:

生成对抗网络GAN生成器的网络结构判别器的网络结构GAN-降水超分辨率GAN-降水GAN-降水GAN-降水数据重构：卫星资料反演地下水等，2020数据重构：卫星资料反演地下水等，2020数据重构：基于站点数据重构任意网格风场Liu

et

al.，2020NameImportances（%）windspeed10min44.35altitude8.74longitude6.36latitude6.08extremewindV3.53wind10minV3.21temperature2.98reletivehumidity2.87hour2.82wind10minU2.48pressure2.48extremewindspeed2.47extremewindU2.34winddirection10min2.17extremewinddirection2.03day1.67year1.19month1.12precipitation1hour1.1研究区域平均风场对于预测结果影响最大(40%~45%)；地理要素占比达到总比例的21.18%；将两种风资料拆解为U、V后，观察到经向风重要性占比均大于纬向风，经向风影响力比纬向高40%；尽管模型很好地学习到了背景场的时间特征(日变化、季节变化)，但时间变量对于重要性的占比不高且大部分的重要性低于气象场变量，客观表明模型从气象变量场学习到了关于日变化以及季节变化的信息；降水重要性低，也为总体来看降水样本少，导致其对于误差的影响力小，因此不能否认降水对于风速的影响。数据重构：基于站点数据重构任意网格风场Liu

et

al.，2020RF

RF提