发布日期：2019年1月4日 作者：赵林安 编辑：朱长江 赵壮 审核：卢芳

赵林安硕士生的报告题目是《大气光学湍流参数化与模式估算研究》。报告首先简单介绍了基于机器学习建立光学湍流参数化模型的研究背景及意义，然后重点讲述了后向传播神经网络（BP）、支持向量回归机（SVR）和K-近邻（KNN）三种机器学习算法的中心思想、超参数选取以及由常规气象参数到大气光学湍流强度cn2的建模结果。

图1 BP估算结果与实测结果对比图

图2 SVR估算结果与实测结果对比图

图3 KNN估算结果与实测结果对比图

研究表明，三种算法均能较好地反映光学湍流的日变化特征，对于日出日落转换时刻这种突变的情形也能较好地体现，但是在日出日落弱湍流值的估算上普遍偏大。各个模型在夜间的估算结果均相对较差，只能达到中等程度相关，还需进一步分析原因并改善。BP神经网络模型估算结果的均方误差最小且整体相关系数最高，与实测结果达到了极强相关。

在模型建立完成的基础上，将实测的气象数据换为WRF模式的模拟结果，完成WRF与BP模型的结合。WRF模式是由美国国家环境中心（NCEP）和美国国家大气研究中心（NCAR）开发的新一代中尺度非静力学天气预报模式，图4为其基本框架。

图4 WRF模式基本框架

下图5为WRF&BP估算结果与实测结果对比图，可以看出WRF&BP估算结果可以很好地反映光学湍流的日变化特征，但是在日出日落弱湍流值的估算上仍相对较大。对估算结果取对数后进行统计分析可得：平均绝对误差为0.3535，平均相对误差为0.0249，均方误差为0.2227，整体相关系数为72.84%。

图5WRF&BP估算结果与实测结果对比图

作者：赵林安

编辑：朱长江 赵壮

审核人：卢芳