机构名称：
¥ 1.0
摘要。行星边界层（PBL）高度（PBLH）是各种流星和气候研究的重要参数。本研究提出了一个多结构深神经网络（DNN）模型，该模型可以通过整合早晨的温度纤维和表面气象观测来估计PBLH。DNN模型是通过利用富含的PBLH数据集而开发的，该数据集是从长期存在的辐射记录中得出的，并以高分辨率的微脉冲激光雷达和多普勒激光雷达观测来增强。我们以10个成员的合奏访问DNN的性能，每个成员都有独特的隐藏结构，从1994年到2020年，在南部大平原上共同产生了强大的27年PBLH数据集。各种气象因素对PBLH的影响是通过重要性测试严格分析的。此外，还评估了DNN模型的准确性，以针对辐射观测值进行评估，并与传统的遥感方法并置，包括多普勒激光雷达，天花板，拉曼激光雷达和微脉冲激光雷达。DNN模型在各种条件下表现出可靠的性能，并且相对于遥感方法表现出较低的偏见。此外，最初在普通区域进行训练的DNN模型在应用于山羊山（Green Ocean Amazon; Tropical Rainforest）和Cacti（云，Aerosol和Aerosol，Aerosol和复杂的地形相互作用; Middle lat Lattlative Mountains; Middle Lattlative Mountains）活动中遇到的异质地形和气候时，表现出显着的适应性。这些发现证明了深度学习模型在估计PBLH中的有效性，增强了我们对边界层过程的理解，对改善PBL在天气预测和气候建模中的表示的影响。
深度学习衍生的行星边界层高度从传统的气象测量
主要关键词
相关文件推荐
