典型文献
基于机器学习的非线性局部Lyapunov向量集合预报订正
文献摘要：
基于Lorenz96模型初步探讨了机器学习算法提高非线性局部Lyapunov向量(NLLV)集合预报效果的可行性和有效性.结果表明:基于岭回归算法和NLLV集合预报结果建立的机器学习模型(Ens-ML)能够有效提高整体预报技巧,而且优于集合平均预报(EnsAve)、控制预报(Ctrl)以及基于Ctrl结果建立的机器学习模型(Ctrl-ML).同时,还发现Ens-ML的预报技巧改进程度依赖于集合成员的数量,即增加集合成员数有助于提高Ens-ML模型的整体预报准确率.通过对比个例预报表现得到,随着预报时间延长,Ens-ML,Ctrl-ML和EnsAve的个例预报误差逐渐小于Ctrl.进一步分析Ens-ML,Ctrl-ML和EnsAve预报的吸引子,发现它们的概率分布的值域收缩、峰度增大并向平均值靠拢,尤其Ens-ML的表现更为明显.
文献关键词：
机器学习;非线性局部Lyapunov向量;集合预报;Lorenz96模型
中图分类号：
作者姓名：
康俊锋;冯松江;邹倩;李艳杰;丁瑞强;钟权加
作者机构：
江西理工大学土木与测绘工程学院, 赣州 341000;中国科学院大气物理研究所, 大气科学和地球流体力学数值模拟国家重点实验室, 北京 100029;中国科学院大学地球科学学院, 北京 100049;北京师范大学, 地表过程与资源生态国家重点实验室, 北京 100875
文献出处：
引用格式：
[1]康俊锋;冯松江;邹倩;李艳杰;丁瑞强;钟权加-.基于机器学习的非线性局部Lyapunov向量集合预报订正)[J].物理学报,2022(08):46-54
A类：
Lorenz96,NLLV,EnsAve
B类：
基于机器学习,Lyapunov,集合预报,预报订正,机器学习算法,高非线性,预报效果,岭回归算法,机器学习模型,ML,预报技巧,集合平均,Ctrl,成员数,预报准确率,个例,报表,报时,预报误差,渐小,吸引子,概率分布,值域,峰度,靠拢
AB值：
0.264932
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
