XiaoMi-AI文件搜索系统
World File Search System垂直剖面
MIIDAPS-AI - noaa/nesdis/star
摘要 — 在本文中，我们利用最先进的人工智能 (AI) 技术，通过微波和红外传感器，在全天候、全地表条件下对温度、湿度、表面和云参数进行卫星遥感。多仪器反演和数据同化预处理系统，人工智能版本，简称 MIIDAPS-AI，适用于极地和地球静止微波和红外探测器和成像仪，以及组合红外和微波探测器对。该算法可生成温度和湿度的垂直剖面以及表面温度、表面发射率和云参数。高光谱红外传感器的其他产品包括选定的痕量气体。从微波传感器，可以从初级产品中获得降雨率、第一年/多年海冰浓度和土壤湿度等其他产品。与传统的操作探测算法相比，MIIDAPS-AI 算法效率高，准确度没有明显下降。这种深度学习算法自动生成的雅可比矩阵可以提供可解释性机制，以建立算法的可信度，并量化算法输出的不确定性。计算增益估计为两个数量级，这为以下两种情况打开了大门：1）处理大量卫星数据，或 2）在处理相同数量的数据的情况下，提高及时性并显着节省计算能力（从而节省成本）。在这里，我们概述了 MIIDAPS-AI 的实现，讨论了它对各种传感器的适用性，并为选定数量的传感器和地球物理参数提供了初步性能评估。
混合机器学习参数化中夹带封闭的在线学习
摘要这项工作将机器学习整合到大气参数化中，以目标不确定的混合过程，同时保持可解释，预测和建立良好的物理方程。我们采用涡流质量频阵（EDMF）参数化来对各种对流和湍流制度的统一建模。为避免流失和不稳定性，随后与气候模型相结合，我们陷入了离线训练的机器学习参数化，我们将学习作为一个逆问题：数据驱动的模型嵌入了EDMF参数化中，并将其嵌入在一个二维的在线培训中，以一维垂直气候模型（GCM）列。训练是针对太平洋中GCM模拟的大型大规模条件的大型模拟（LE）的输出进行的。我们的框架不是优化亚网格尺度趋势，而是直接针对感兴趣的气候变量，例如熵和液态水路的垂直剖面。具体来说，我们使用集合卡尔曼反转来同时校准edmf参数和管理数据驱动的侧向混合速率的参数。校准的参数化优于现有的EDMF方案，尤其是在当前气候的热带和亚热带位置，并且在模拟AMIP4K实验的海面温度下增加的海面温度下，在模拟浅层积木和层状机制方面保持了高忠诚度。结果展示了物理上约束数据驱动模型的优势，并通过在线学习直接针对相关变量，以构建强大而稳定的机器学习参数化。
高能岬角偏转激流的现场测量：潮汐调制、极低频脉动和垂直结构
摘要：岬角裂流，有时也称为边界裂流，是冲向从海滩向海延伸的天然或人工障碍物（如岬角或丁坝）的裂流。它们可能是由沿岸流对障碍物的偏转或由于障碍物背风处的波浪阴影导致的沿岸破碎波高变化所驱动的。因此，驱动机制主要取决于波浪相对于天然或人工障碍物的入射角。我们分析了 42 天的速度剖面测量值，这些测量值是在法国西南部安格雷高能中大潮海滩的天然岬角上进行的。在秋冬季节，随着潮位变化，在 6.5-10.5 米深处收集的，离岸显著波高和周期分别为 0.9-6 米和 8-16 秒，波浪入射角范围为 -20 ◦ 至 20 ◦。这里我们分析了对应于大约 24 天测量的偏转裂口配置，其中随着波浪和潮汐条件的变化，流速计交替位于裂口颈部、裂口头部或远离裂口的位置。偏转裂口与较大的离岸定向速度（高达 0.6 米/秒的深度平均速度）和低能至中等能波的潮汐调制有关。发现偏转裂口的垂直剖面从裂口颈部的深度均匀变化到裂口头部离岸深度变化剧烈的变化，最大速度位于表面附近。裂口的极低频运动非常剧烈，范围为 10-60 分钟，主要峰值周期约为 40 分钟，即周期比通常报告的要长。在冲浪区边缘以外测量到的强烈的离岸速度为偏转裂口提供了新的见解，它是海湾（或结构控制的）海滩与内架和/或相邻海湾之间水和沉积物交换的主要机制。