返回
Decoding global precipitation processes and particle evolution using unsupervised learning
DOI:10.1126/sciadv.adu0162.png)
摘要
En 中文
高质量的水成物微物理观测对于准确估计降水以及评估天气和气候模型至关重要。然而,分析这些特性具有挑战性,因为其具有高度变异性、复杂的相互作用和庞大的数据量。本研究考察了来自全球七个测量站点9年内的超过150万个分钟级雨雪粒子属性及同址气象变量。应用统一流形近似与投影(UMAP)进行非线性降维,我们将数据集维度降低了75%,识别出九种不同的降水类型及相关的粒子演变路径。UMAP有效捕捉了降水相态(如雨、雪和混合相态)的全局结构,揭示了线性方法难以解析的清晰模式。所得的UMAP流形为降水相态和强度提供了独特视角,加深了我们对粒子演变过程的理解,并为改进天气和气候模型以及遥感降水估计提供了宝贵见解。
期刊
IF:
12.5
论文数:
2.1W
被引数:
24.7W

