.png){kind=icon}
返回
A Deep-Learning-Based Wind Gust Estimation Scheme in Complex Terrain
.png){kind=icon}
OA
AI
DOI：10.1029/2026gl123378.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
准确预测阵风对风险缓解至关重要，但产生阵风的湍流过程在常规数值天气预报模型中尚未得到解析。这里我们介绍一种基于深度学习的阵风估算方案（DL-GUST），该方案利用Weather Research and Forecasting（WRF）模型的存档诊断数据，通过长短期记忆（LSTM）网络构建离线、单向阵风估算框架。在中国西北内陆地区的评估中，DL-GUST在独立时间分离的测试集上实现了1.98 m s − 1 ${\mathrm{s}}^{-1}$的均方根误差（RMSE）和0.93的皮尔逊相关系数（PCC）。相对于经验性、统计性和基于物理的基准方法，RMSE降低了45%–60%，四个测试月份中最强阵风事件的RMSE降低了50%–65%。在European Alps和中国东南沿海地区的额外验证表明，该方案在不同地表环境和天气条件下具有有用的但非均匀的迁移能力。
Keyword:
gust
deep-learning
complex terrain
期刊
IF:
4.6
论文数:
2.5K
被引数:
13.6W
机构
引用论文
.png){kind=icon}
Fundamentals of Recurrent Neural Network (RNN) and Long Short-Term Memory (LSTM) network递归神经网络 (RNN) 和长短期记忆 (LSTM) 网络的基本原理
OAAI
OAAI分享收藏分享收藏分享收藏分享收藏
查看更多内容