.png){kind=icon}
返回
A Diffusion Framework for Temperature Fields Reconstruction With Embedded Vertical Dynamics
.png){kind=icon}
PRE
AI
DOI：10.1029/2024JD042742.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高分辨率气象数据对于准确的气候研究和天气预报至关重要。然而，气候变化和全球变暖正在改变气象数据的模式，导致气候变量的统计特性发生渐变。现有的统计降尺度方法主要关注拟合历史数据，而忽略了整合支配大气动力学的基本物理定律。尽管这些模型在历史数据上可能表现良好，但在应用于未来气候情景时，尤其是在面对气候转变或变化条件时，它们可能失去准确性。为应对这一挑战，我们引入了一种基于物理的框架来降尺度连续温度场。我们的框架旨在将温度场分解为主要确定性分量和随机残差分量，分别由架构的不同部分建模。确定性分量重建主要温度场，而随机扩散分量捕捉小规模细节和不确定性。此外，该框架通过整合从基本温度变化方程推导出的物理先验，结合零卷积，并将3D U-Net架构作为编码器应用于降尺度过程中的垂直动力学。该模型的损失函数包括用于数据拟合的Charbonnier损失，以及静态稳定性损失、梯度损失和耦合损失，以确保物理一致性和准确的垂直相互作用表示。比较实验表明，我们的方法优于传统技术，将降尺度结果与高分辨率观测之间的误差从双三次插值的1.394 K降低至0.627 K。
期刊
J
IF:
0
论文数:
437
被引数:
0
机构
引用论文
A Self‐Supervised Framework for Refined Reconstruction of Geophysical Fields via Domain Adaptation
OAAI
OAAI分享收藏Exceeding 1.5°C global warming could trigger multiple climate tipping points超过1.5 °C全球变暖可能引发多个气候临界点.png)
Science
OAAI
ScienceIF0
OAAI分享收藏ECA-Net: Efficient Channel Attention for Deep Convolutional Neural NetworksEca-net: 深度卷积神经网络的高效信道关注OAAI
OAAI分享收藏Spatial Downscaling of Satellite-Based Soil Moisture Products Using Machine Learning Techniques: A Review使用机器学习技术对基于卫星的土壤水分产品进行空间缩减: 综述OAAI
OAAI分享收藏
查看更多内容