城市陆面过程的机器学习模拟
机器学习
2022-03-16 v3 大气与海洋物理
摘要
我们能否用机器学习(ML)改进城市陆面过程的建模？先前对城市陆面模型(ULSMs)的比较发现，没有单一模型在预测所有常见地表通量时都是“最佳”的。在此，我们开发了一个城市神经网络(UNN)，以某一站点 22 个 ULSMs 的平均预测通量进行训练。UNN 准确模拟了 ULSMs 的平均输出。与参考 ULSM(Town Energy Balance; TEB)相比，UNN 相对于通量观测具有更高精度、更低计算成本，且所需输入参数更少。当使用 TensorFlow 接口耦合到 Weather Research Forecasting (WRF) 模型时，WRF-UNN 稳定且比参考 WRF-TEB 更精确。尽管目前应用受训练数据(1 个站点)限制，我们展示了一种利用 ML 将多个 ULSMs 优势整合为一个以改进地表通量建模的新方法。
引用
@article{arxiv.2112.11429,
title = {Machine Learning Emulation of Urban Land Surface Processes},
author = {David Meyer and Sue Grimmond and Peter Dueben and Robin Hogan and Maarten van Reeuwijk},
journal= {arXiv preprint arXiv:2112.11429},
year = {2022}
}
备注
Published version