典型文献
一种机器学习海面风场快速融合的方法
文献摘要：
基于多源资料进行海面风场的同化融合或插值融合,目前受到计算能力的较大制约.本文提出在多源卫星数据和ERA-5再分析数据重叠区域,训练基于XGBoost的机器学习ERA-5数据修正融合模型.然后基于该模型快速修正ERA-5数据(机器学习推理).由于机器学习推理的快速性,ERA-5全区域修正融合的时间仅需2 s左右,可以较小计算代价构建整个海面融合风场.本文以10 m风速、10 m风向、U10分量和V10分量等典型风场变量展开,考虑了海陆分布差异使用陆地掩膜消除陆地区域,分别构建D_S_A_XGBoost、D_S_O_XGBoost、U_V_A_XGBoost、U_V_O_XGBoost 4个ERA-5修正模型,并最终生成海面融合风场.通过修正前后的ERA-5再分析数据与卫星数据进行比较,上述4个模型均减小了ERA-5再分析数据与卫星数据的差距.特别是在风速方面,不论是均方根误差(RMSE)还是绝对误差(MAE)都得到有效降低.在风向方面上,RMSEd以及MAEd也呈现降低趋势.在利用热带大气海洋观测计划(Tropical Atmosphere Ocean Array,TAO)浮标数据对4种XGBoost模型进行评价发现,U_V_O_XGBoost模型对于ERA-5数据的修正结果最好,其相关性达到0.893,提高了约0.011,结果表明本文在保证风场精度的情况下较大地提高了融合速度.
文献关键词：
XGBoost;HY-2B;CFOSAT;MetOp-B;ERA-5;海面风场
中图分类号：
作者姓名：
张巍;杜超凡;郭安博宇;宋晓姜;沈世莹
作者机构：
国家海洋环境预报中心,北京 100081;中国海洋大学计算机科学与技术学院,山东青岛 266100
文献出处：
引用格式：
[1]张巍;杜超凡;郭安博宇;宋晓姜;沈世莹-.一种机器学习海面风场快速融合的方法)[J].海洋学报（中文版）,2022(11):144-158
A类：
RMSEd,MAEd,CFOSAT,MetOp
B类：
海面风场,多源资料,计算能力,卫星数据,ERA,再分析数据,重叠区域,XGBoost,数据修正,融合模型,机器学习推理,快速性,U10,V10,海陆分布,分布差异,掩膜,陆地区,修正模型,终生,正前,不论是,绝对误差,带大,气海,海洋观测,观测计划,Tropical,Atmosphere,Ocean,Array,TAO,浮标,合速度,HY,2B
AB值：
0.339325
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。
