一种适用于多云天气条件下向下短波辐射估计的多任务学习嵌入式参数化方法

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：A multi-task learning embedded parameterization method for downward shortwave radiation estimation under cloudy-sky conditions

　　

摘要：

向下短波辐射（DSR）是地表能量平衡的关键组成部分，通常通过基于物理的方法或机器学习（ML）模型来进行估算。最近，尝试整合这两种方法的优势在提高DSR估算精度方面展现出了巨大潜力。然而，大多数现有的混合方法都侧重于通过使用辐射传输模型（RTMs）模拟的大量数据集来训练ML模型，这种方法在计算上成本高昂且耗时较长。为了克服这些限制，我们提出了一种新的混合方法，该方法将基于多任务学习（MTL）的模型嵌入到基于物理的云参数化方法中，称为多任务学习嵌入参数化方法（MEPM）。通过将基于MTL的组件置于严格的物理框架内，MEPM所需的训练样本量相对较少，同时保持了较强的泛化能力。此外，MTL模块强大的非线性映射能力优化了对复杂云层引起的辐射衰减过程的模拟，从而大幅提高了模型的整体精度。主要研究结果如下：（1）MEPM在多云条件下表现出良好的性能，皮尔逊相关系数达到0.88，优于原始参数化方法；（2）与代表性模型和主流DSR产品相比，MEPM实现了显著的改进，相对均方根误差（rRMSE）的最大减少幅度可达23.80%；（3）MEPM能够准确捕捉不同地区、时间段和云覆盖条件下的DSR空间分布。通过将ML直接嵌入到云参数化方法中，本研究提出了一种高效且稳健的混合方法。这项工作为推进DSR估算提供了宝贵的见解，并有助于陆地表面过程、气候变化和太阳能资源利用方面的研究。

显示更多