选取中国东部长江三角洲城市群区域作为研究对象,采用中国区域最新的土地覆盖资料ChinaLC,利用中尺度气象模式WRF(Weather Research and Forecasting Model)对国际耦合模式比较计划第五阶段(CMIP5)中CESM(Community Earth System Model...
详细信息
选取中国东部长江三角洲城市群区域作为研究对象,采用中国区域最新的土地覆盖资料ChinaLC,利用中尺度气象模式WRF(Weather Research and Forecasting Model)对国际耦合模式比较计划第五阶段(CMIP5)中CESM(Community Earth System Model)气候模式提供的RCP4.5(Representative Concentration Pathway 4.5)情景预估结果进行动力降尺度,以此模拟研究了未来增温1.5℃/2.0℃时的区域气候变化情况。结果表明:CESM数据作为侧边界资料驱动WRF模式得到的降尺度模拟结果,与历史时期(1996—2005年)的气温观测数据相比,在空间分布上有较高的吻合度,该降尺度方案可以为未来区域气温变化的预估提供较为可靠的数据;长三角地区在到达全球增温1.5℃(2025—2034年)/2.0℃(2042—2051年)时,区域平均气温与历史同期相比分别升高了0.8℃和1.47℃;空间分布上,增温最明显的区域主要集中在城市及其周边镶嵌体区域;随着全球增暖,区域平均高温热浪频次在增温1.5℃/2.0℃时期较历史同期分别增加了47%和100%,热浪强度分别增加了71%和129%;进一步通过对人体舒适度分析发现,与2.0℃升温阈值相比,控制增暖在1.5℃以内,极不舒适覆盖区域影响的人口数预计可减少5602.9万人。
厄尔尼诺-南方涛动(El Ni o-Southern Oscillation,ENSO)是自然界气候变化中年际变化最显著的异常信号。ENSO会在全球范围内引发天气和气候异常,由此造成的自然灾害给人类生命和财产安全带来了巨大危害。随着人工智能的发展,ENSO预测方...
详细信息
厄尔尼诺-南方涛动(El Ni o-Southern Oscillation,ENSO)是自然界气候变化中年际变化最显著的异常信号。ENSO会在全球范围内引发天气和气候异常,由此造成的自然灾害给人类生命和财产安全带来了巨大危害。随着人工智能的发展,ENSO预测方法已从传统方法拓展到了深度学习技术。因此,对ENSO预测进行了较为全面的论述:概述了ENSO相关知识;回顾了传统的预测方法;介绍了深度学习模型在ENSO预测中的应用,分析了它们的优势、局限性以及改进方向;基于当前方法面临的挑战,对未来ENSO预测的发展趋势进行了展望。
暂无评论