报告详情
基于机器学习的气溶胶和云物理参数化发展
编号：637
访问权限：仅限参会人
更新：2025-04-01 16:43:36 浏览：8次
特邀报告
报告开始：2025年04月18日 14:15（Asia/Shanghai）
报告时间：15min
所在会场：[S1-1] 专题1.1 模式数值算法研究 [S1-1] 专题1.1 模式数值算法研究
暂无文件
摘要
机器学习是大气模式次网格参数化的重要手段，有助于提升大气模式对气溶胶和云的多尺度模拟能力。这里我们将基于机器学习发展的黑碳混合态指数的机器学习仿真耦合全球气候模式中用来确定积聚模态中含黑碳颗粒和非黑碳颗粒的比例，模式中含黑碳颗粒比例从原方案中的100%下降到新方案中的48%，黑碳粒子相对包裹厚度在遥远海洋区域则从大约20下降到大约10，和观测更加吻合。基于机器学习的黑碳混合态模拟则进一步用来提升模式中黑碳粒子活化和光吸收计算，减少了原模式中黑碳粒子质量吸收截面高估偏差。而在云微物理参数方面，我们开展了基于自编码器的分档云微物理方案的机器学习仿真，发展了带权积分的整体微物理方案。基于自编码器，机器学习算法自动习得可以最优表征谱形状的权重函数。我们结果表明带权积分的方案比传统基于矩的整体方案可以更准确的标准谱形。
关键词
机器学习，气溶胶，云微物理
报告人
汪名怀
教授 南京大学稿件作者
全部评论
重要日期
-
会议日期
04月17日
2025
至04月20日
2025
-
04月03日 2025
初稿截稿日期
-
04月20日 2025
注册截止日期
主办单位
中国科学院大气物理研究所
承办单位
中国科学院大气物理研究所
联系方式
- 皇甫静亮
- hf******@mail.iap.ac.cn
- 133********
发表评论