摘要：为提高冬季路表温度的预测精度,提出一种基于多维长短时记忆(LSTM)神经网络的冬季路表温度逐时预测模型,以小时路表温度为模型输出,综合考虑多维气象因素的累积影响和路表温度的周期性,采用滑动窗口构造输入特征矩阵;构建路表温度LSTM逐时预测模型,通过深度学习高效逼近具有复杂非线性和不确定性的路表温度,并以江苏省宁宿徐高速公路、云南省麻昭高速公路为实例进行验证。结果表明:与随机森林(RF)模型和BP神经网络相比,LSTM路表温度逐时预测模型的准确率得到显著提高,在宁宿徐高速、麻昭高速的平均绝对误差(MAE)、均方误差(MSE)和均方根误差(RMSE)分别为0.303、0.295、0.543和0.581、0.694、0.833,预测值与观测值绝对误差位于[0,1)℃之间的占比为93%和89%。LSTM模型能准确捕捉路表温度的周期性和不确定性,在阴雨天和晴朗天的预测值与实测值基本一致,模型鲁棒性较好。

摘要：为了比较不同长、短波辐射参数化方案对江苏省大雾过程的模拟效果,本文利用WRF模式,通过设计不同长、短波辐射参数化方案,对江苏省2015年5月18—21日和12月20—21日2次典型大雾过程进行了数值模拟,讨论了模式中不同长、短波辐射参数化方案对江苏省大雾过程的模拟影响。采用平均绝对误差(MAR)、均方根误差(RMSE)、皮尔逊相关系数(r)及中国气象局颁布的雾区预报规定,评价得到不同条件的最优模拟方案。结果表明:(1)热力条件与水汽条件,模拟最优方案为长波GFDL方案与短波RRTMG方案组合。(2)动力条件,最优辐射参数化方案组合为CAM方案与FLG方案组合。(3)雾区的模拟,效果最好的方案为长波GFDL方案与短波RRTMG方案的组合。