摘要
本发明提出了一种基于时序神经网络的湿物理过程参数化方法,方法首先基于时序预测神经网络去学习过去时刻大气状态、对流和云的动态变化关系,然后通过融合筛选这些学习到的特征来预测湿物理过程中湿度和温度变化趋势以及云水和云冰含量。最后,根据预测出的湿度变化趋势计算出当前的降水量。此外,在网络训练过程中加入了物理约束来保证该方法遵循一般的物理规律。该方法相比传统湿物理参数化方案和其他神经网络能够准确再现社区大气模式超参数版本SPCAM的模拟结果,模拟的湿物理过程中的湿度和温度变化趋势、云水和云冰含量,降水等偏差也远小于它们。