.png){kind=icon}
返回
Weather type reconstruction using machine learning approaches
.png){kind=icon}
OA
AI
DOI：10.5194/wcd-6-571-2025.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
天气类型被用于表征区域尺度的大尺度天气形势。长期天气类型记录包含了关于逐日变率、大气环流变化及其对地表相关影响的重要信息。然而，大多数天气类型重建在时间跨度上受限，且存在方法学局限性。本研究基于九类主成分聚类分析（CAP9）天气类型分类，评估了多种机器学习方法在欧洲站点数据上的天气类型重建。在模型比较中，以常见前馈神经网络表现最佳，我们重建了自1728年起的逐日CAP9天气类型序列。该新重建构成了目前最长的逐日天气类型序列。详细验证表明，其性能较之前的统计方法有显著提升，且与参考序列在多种气候学分析中表现出良好的一致性。我们的方法可为其他天气类型分类提供指导。
Keyword:
ATMOSPHERIC CIRCULATION PATTERNS
DAILY AIR-TEMPERATURE
PRESSURE SERIES
METEOROLOGICAL OBSERVATIONS
PRECIPITATION PATTERNS
CLIMATE-CHANGE
VARIABILITY
SWITZERLAND
PERSISTENCE
GERMANY
期刊
W
IF:
5.3
论文数:
478
被引数:
1.2K
机构
引用论文
Synoptic pressure patterns associated with major wind erosion events in southern Sweden (1973-1991)OAAI
OAAI分享收藏Data rescue initiatives: bringing historical climate data into the 21st century数据救援计划: 将历史气候数据带入21世纪OAAI
OAAI分享收藏Reconstruction of Lamb weather type series back to the eighteenth centuryLamb天气类型系列的重建回18世纪.png)
CLIMATE DYNAMICS
OAAI
CLIMATE DYNAMICSIF3.7
OAAI分享收藏
查看更多内容