基于CNN-LSTM的临近空间温度预报研究
何汉圳
谷升阳
秦雨松
刘宇轩
武汉大学地球与空间科学技术学院,武汉 430072
摘要：临近空间是指地球大气层与太空之间的复杂过渡区域,其高度介于 20～100 km,包括平流层、中间层和低热层,是地球大气系统的重要组成部分.临近空间不仅受对流层小尺度扰动影响并且受到中高层大气行星波等影响,另外在该区域中存在大气动力学过程以及各层大气之间的物理化学作用,这使得对临近空间的研究变得困难.国内外学者应用机器学习与深度学习算法在空间物理领域进行了大量的研究,并取得了较好的成果.但由于大气环境的复杂多变,在临近空间中利用深度学习算法对环境温度进行预报的工作研究较少.研究临近空间的温度预报对理解大气动力学过程、大气跨圈层耦合以及分析大气波动有重要的科学意义.基于MERRA-2再分析数据集,本文采用卷积神经网络-长短期记忆网络(CNN-LSTM)算法对临近空间温度进行窗口为 7天的预报,其CNN部分能够有效提取空间特征,LSTM部分能够捕捉时间依赖关系.预报结果与原始数据相比,相对误差控制在 2%以内.在此基础上,对该算法在季节、高度和纬度上的敏感性展开研究.分析结果显示北半球夏季和秋季的预报效果更好,且在低纬度区域预报模型的准确性也较为可靠.
关键词：临近空间温度预报机器学习深度学习
分类号：P351(空间物理)
论文发表日期：2026-01-31
在线出版日期：2025-10-09（本平台首次上网日期，不代表文献的发表时间）
页数：8( 118-125 )
英文信息