科研之友
微信
新浪微博
Facebook
分享链接
摘要
本研究基于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，随着预报时间增加，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。
- 单位
