一个以物理为导向的机器学习框架,用于提高干旱和半干旱地区的尘暴可见性预测
Chang Xu1, Henggang Zhang2, Kaiyue Luo3
1Northwest Institute of Nuclear Technology, Xi'an, 710024, China.
Scientific reports
|March 3, 2026
概括
本研究引入了物理引导机器学习 (PGML) 模型,以改善尘暴可见性预测. 该PGML框架增强了从数值天气预测模型的预测,为干旱地区提供更好的准确性.
科学领域:
- 大气科学 大气科学
- 机器学习 机器学习
- 环境预测 环境预测
背景情况:
- 沙尘暴大大降低了干旱地区的可见度,给预测带来了挑战.
- 数字天气预测 (NWP) 模型在接近表面的过程中扎,数据驱动模型缺乏概括性.
- 准确的可见度预测对于受影响地区的运营安全和规划至关重要.
研究的目的:
- 开发一个物理引导机器学习 (PGML) 框架,用于增强可见性预测.
- 为了对欧洲中期天气预报中心 (ECMWF) 的数据进行后期处理,用于对库姆塔格沙漠的可见度预测.
- 将尘埃生命周期过程集成到机器学习架构中,以提高准确性.
主要方法:
- 开发了一个物理引导机器学习 (PGML) 框架.
- 该框架将一个尘埃生命周期功能库与一个普通的LightGBM模型结合起来.
- 它对ECMWF的预测进行后处理,以预测五个顺序可见度等级.
主要成果:
- 在PGML模型中,在0-24h时达到0.26的二次加权卡帕 (QWK),在24-48h时达到0.17的0.17,在48-72h时达到0.18.
- 平均绝对误差 (MAE) 在0.48-0.56.6之间.
- 物理学先验提高了准确性,将MAE降低了高达10%,并维持了QWK超过24小时.
结论:
- 与仅基于数据的模型相比,物理引导的机器学习显著提高了可见度预测的准确性.
- 该框架证明了环境预测的性能和可解释性得到改善.
- 该方法为物理限制的预测应用提供了一个可转移的范式.
