详细内容或原文请订阅后点击阅览
机器学习可以改善热带地区大气观测的使用
科学家开发了一种基于机器学习的新型技术，该技术在从中纬度和热带地区未观测到的状态变量的观测中获取信息同样有效。
来源:Eos杂志来源：地球系统建模进展杂志
大气数据同化的目的是根据大气观测结果，获得特定时间内大气状态变量（温度、风、压力等）场的三维网格表示。数据同化的产品称为分析，可用于准备天气图并启动基于模型的天气预报。长期收集的分析也可用于研究和监测气候的变化和变化。
数据同化的主要挑战是观测数据与分析的网格点没有并置，并且大多数观测数据没有直接观察感兴趣的变量并且存在误差。例如，基于卫星的观测构成了业务同化观测的大部分，用于测量大气层顶部电磁波的强度；以高度复杂的方式取决于大气状态的物理量。背景误差协方差矩阵是数据同化系统的关键组成部分，负责将信息从观测传播到未观测的位置和状态变量。对该矩阵的良好估计对于进行状态变量场真实且相互一致的分析至关重要。对于热带地区来说，获得这样的估计尤其具有挑战性，因为在热带地区，基于物理的知识无法得出简单的实用公式。
引文：Melinc, B.、Perkan, U. 和 Zaplotnik, Ž。 （2026）。用于中纬度和热带大气数据同化的统一神经背景误差协方差模型。地球系统建模进展杂志，18，e2025MS005360。https://doi.org/10.1029/2025MS005360
—Istvan Szunyogh，JAMES 副主编