为尽可能地提高大气加权平均温度的估计精度,利用神经网络所建立的大气加权平均温度模型,却未顾及大气加权平均温度的长期变化趋势。因此,本文利用全球气候第五代再分析数据集和大气逐层数据,考虑大气加权平均温度的年际变化,基于多层...为尽可能地提高大气加权平均温度的估计精度,利用神经网络所建立的大气加权平均温度模型,却未顾及大气加权平均温度的长期变化趋势。因此,本文利用全球气候第五代再分析数据集和大气逐层数据,考虑大气加权平均温度的年际变化,基于多层感知器建立了湟水流域大气加权平均温度模型,并使用探空数据与已有的六种模型进行了比较验证分析。结果表明:本模型的年均偏差和均方根误差分别为–0.01 K、2.71 K;均方根误差相比于Bevis式、双因子、多因子、全球气压温度3(global pressure and temperature 3,GPT3)、改进的GPT3模型、谢劭峰等(2022)方法分别减小了32%、23%、15%、14%、7%、5%。验证了引入年际变化因子可进一步提高神经网络模型的精度,建立了目前湟水流域精度相对最优的大气加权平均温度模型。展开更多
文摘为尽可能地提高大气加权平均温度的估计精度,利用神经网络所建立的大气加权平均温度模型,却未顾及大气加权平均温度的长期变化趋势。因此,本文利用全球气候第五代再分析数据集和大气逐层数据,考虑大气加权平均温度的年际变化,基于多层感知器建立了湟水流域大气加权平均温度模型,并使用探空数据与已有的六种模型进行了比较验证分析。结果表明:本模型的年均偏差和均方根误差分别为–0.01 K、2.71 K;均方根误差相比于Bevis式、双因子、多因子、全球气压温度3(global pressure and temperature 3,GPT3)、改进的GPT3模型、谢劭峰等(2022)方法分别减小了32%、23%、15%、14%、7%、5%。验证了引入年际变化因子可进一步提高神经网络模型的精度,建立了目前湟水流域精度相对最优的大气加权平均温度模型。
