近日,中国科学院地球环境研究所气候变化集成-模拟-同化-预测团队联合西安石油大学计算机学院人工智能团队,设计了一个基于残差密集块的卷积神经网络模型(RRDBNet),用于黄河中游地区降水的统计降尺度研究,并将该RRDBNet模型与广义线性回归模型,及两个流行的深度学习模型进行对比研究。相关研究成果发表在Quarterly Journal of the Royal Meteorological Society上。
黄河中游地区位于温带半干旱和半湿润气候的过渡带,其气候系统敏感,生态环境脆弱,水土流失严重,区域的极端降水事件易导致滑坡、崩塌、泥石流等自然地质灾害。然而,由于缺乏历史时期及未来情景下精确的高分辨率降水数据,限制了人们对气候变化造成流域尺度环境的影响评估,特别是对极端降水事件的影响评估。
研究结果表明,研究所提出的RRDBNet模型在流域尺度降水降尺度模拟中具有良好的性能,可以很好地再现高分辨率降水的时空特征。相对于广义线性回归模型,RRDBNet模型将年平均降水量的均方根误差降低了19%,并将皮尔逊相关系数提高了6%。值得指出的是,相对于广义线性回归模型,该模型将极端降水指数R95p(R99p)的均方根误差降低了58%,皮尔逊相关系数提高了38%。对于日降水的概率密度函数,进一步证明RRDBNet模型在极端降水频率方面模拟效果更好。研究表明,基于RRDBNet的人工智能模型可能是进行流域尺度气候降尺度的有效工具之一,可为黄河流域未来百年气候变化预测/预估提供强有力的技术支撑。
基于残差密集块的卷积神经网络模型 (RRDBNet)。(课题组供图)
?
相关论文信息:https://doi.org/10.1002/qj.4759
版权声明:凡本网注明“来源:中国科学报、科学网、科学新闻杂志”的所有作品,网站转载,请在正文上方注明来源和作者,且不得对内容作实质性改动;微信公众号、头条号等新媒体平台,转载请联系授权。邮箱:
[email protected]。