Loading...
机构名称:
¥ 3.0

动态降尺度通常涉及使用数值天气前词(NWP)求解器将粗数据完善到更高的空间分辨率。数据驱动的模型(例如Fourcastnet)已成为传统NWP模型的预测模型。一旦训练了这些模型,它们就可以在几秒钟内提供预测,而与经典的NWP模型相比,它们要快数千倍。然而,作为交货时间,因此,它们的预测窗口增加,这些模型显示出不稳定的不稳定,因为它们倾向于与现实不同。在本文中,我们建议使用数据同化方法来稳定它们进行缩小任务。数据同化使用来自三种不同来源的信息,即基于部分微分方程(PDE),嘈杂的观察值以及不确定性反射的不完美计算模型。在这项工作中,在进行动态缩小尺度时,我们将用“弱约束的4DVAR框架”中的FourcastNet替换了基于PDE的NWP模型,该模型解释了隐含模型错误。我们证明了这种方法对飓风追踪问题的功效;此外,4DVAR框架自然可以表达和量化不确定性。我们使用ERE5数据证明了我们的方法的性能优于集合卡尔曼过滤器(ENKF)和未稳定的四castnet模型,这是根据预测准确性和预测不确定性的。

4m 2025年3月

4m 2025年3月PDF文件第1页

4m 2025年3月PDF文件第2页

4m 2025年3月PDF文件第3页

4m 2025年3月PDF文件第4页

4m 2025年3月PDF文件第5页

相关文件推荐

2025 年
¥3.0
2025 年
¥1.0
2025 年
¥2.0
2025 年
¥1.0
2025 年
¥1.0
2025 年
¥3.0
2025 年
¥7.0
2025 年
¥2.0
2025 年
¥1.0
2025 年
¥1.0
2025 年
¥1.0
2025 年
¥7.0
2025 年
¥1.0
2025 年
¥1.0
2025 年
¥6.0
2025 年
¥1.0
2025 年
¥1.0
2025 年
¥4.0
2025 年
¥1.0
2025 年
¥1.0
2025 年
¥1.0
2025 年
¥1.0
2025 年
¥1.0
2025 年
¥1.0
2025 年
¥1.0
2025 年
¥1.0
2025 年
¥1.0
2025 年
¥2.0
2025 年
¥1.0
2025 年
¥1.0