• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>2015 Latin America Congress on Computational Intelligence >Data assimilation by artificial neural networks for the global FSU atmospheric model: Surface pressure
【24h】

Data assimilation by artificial neural networks for the global FSU atmospheric model: Surface pressure

机译：人工神经网络对全球FSU大气模型的数据同化：表面压力

获取原文
获取原文并翻译 | 示例
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Data assimilation is the process by which measurements and model predictions are combined to obtain an accurate representation of the state of the modelled system as its initial condition. This paper shows the results of a data assimilation technique using artificial neural networks (NN) to obtain the initial condition to the atmospheric general circulation model (AGCM) for the Florida State University in USA. The Local Ensemble Transform Kalman filter (LETKF) is implemented with Florida State University Global Spectral Model (FSUGSM). LETKF is a version of Kalman filter with Monte-Carlo ensembles of short-term forecasts to solve the data assimilation problem. FSUGSM is a multilevel spectral primitive equation model with a vertical sigma coordinate, at resolution T63L27. The LETKF data assimilation experiments are based in simulated observations data. For the NN data assimilation scheme, we use Multilayer Perceptron (MLP-DA) with supervised training algorithm where NN receives input vectors with their corresponding response from LETKF scheme. The surface pressure results are presented. An self-configuration method finds the optimal NN and configures the MLP-DA in this experiment. The NNs were trained with data from each month of 2001, 2002 and 2003. A experiment for data assimilation cycle using MLP-DA was performed with simulated observations for January of 2004. The results demonstrate the effectiveness of the ANN technique for atmospheric data assimilation, with similar quality to LETKF analyses.
机译：数据同化是一个过程，通过该过程可以将测量结果和模型预测结合起来，以准确表示建模系统的状态作为其初始条件。本文显示了使用人工神经网络（NN）获得美国佛罗里达州立大学大气总循环模型（AGCM）初始条件的数据同化技术的结果。局部集成变换卡尔曼滤波器（LETKF）是由佛罗里达州立大学全球光谱模型（FSUGSM）实现的。 LETKF是具有短期预测的蒙特卡洛合奏的卡尔曼滤波器的一种版本，可以解决数据同化问题。 FSUGSM是具有垂直sigma坐标的多层光谱原始方程组模型，分辨率为T63L27。 LETKF数据同化实验基于模拟观测数据。对于NN数据同化方案，我们使用带有监督训练算法的多层感知器（MLP-DA），其中NN接收来自LETKF方案的输入矢量及其相应的响应。显示了表面压力结果。在此实验中，一种自配置方法找到了最佳的NN并配置了MLP-DA。使用2001年，2002年和2003年每个月的数据对神经网络进行训练。使用MLP-DA进行的数据同化周期实验于2004年1月进行了模拟观测。结果证明了ANN技术对大气数据同化的有效性，与LETKF分析具有相似的质量。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号