建立了一个基于深度学习的地面臭氧集合预报系统,以量化可能的天气形势范围内的污染风险(built a deep-learning surface ozone ensemble forecast system to quantify pollution risks given the range of possible weather outcomes)
深度学习模型强调天气的空间模式,有效地表示了臭氧与气象之间的关系(Deep-learning models accentuating the spatial patterns of weather effectively represented the ozone-meteorology relationship)
深圳 24 小时臭氧预报误差中,天气预报的不确定性贡献了 38%–54%(Weather forecast uncertainties contributed 38%–54% of the ozone forecast errors at 24-hr lead time in Shenzhen)
work flow
利用2D卷积神经网络构建深度学习模型
通过扰动具有广泛天气-中尺度气象变化的区域空气质量模式WRF-GC,生成了一个大型的训练数据集,并使用了集合预报的思想来量化由天气预报的不确定性导致的臭氧预报的不确定性(WRF-GC is an online coupling of the Weather Research and Forecasting (WRF) meteorological model (v3.9.1.1) (Skamarock et al., 2008, 2019) and the GEOS-Chem chemical transport model (v12.8.2) (Bey et al., 2001).)
model
分白天、黑夜两个模型是为了分别考虑白天光化学和夜间边界层动力学对地表臭氧浓度的影响。
data
用了回报和预报以及不同来源的数据,增强模型的普适性
some results
1)WRF-GC模型模拟的臭氧-气象关系评估及其在2DCNN中的表现
模式和观测较为一致
模式和观测较为一致
DL模型与模式较为一致
测试改变单个输入因子对模型的影响
2DCNN模型很好的捕捉了臭氧-气象的关系
2)2DCNN-表面臭氧集合预报 (2DCNN-SOEF) 的性能
DL模型集合预报的指标
3)受气象预报不确定性限制的地表臭氧浓度的可预测性
用“臭氧超标概率”来表示臭氧污染预报的气象不确定性(即预测地表臭氧超标的集合成员的百分比)。
将不确定性拆解为两部分
2Citation
Zhang, A., Fu, T.-M., Feng, X., Guo, J., Liu, C., Chen, J., et al. (2023). Deep learning-based ensemble forecasts and predictability assessments for surface ozone pollution. Geophysical Research Letters, 50, e2022GL102611.