文献类型：期刊文章

作　　者：贺圣平[1,2] 王会军[1,3,4] 李华[1,3] 赵家臻[1]

HE Shengping;WANG Huijun;LI Hua;ZHAO Jiazhen(Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters(CIC-FEMD)/Key Laboratory of Meteorological Disaster,Ministry of Education(KLME),Nanjing University of Information Science&Technology,Nanjing 210044,China;Geophysical Institute,University of Bergen and Bjerknes Centre for Climate Research,Bergen 5020,Norway;Nansen-Zhu International Research Centre,Institute of Atmospheric Physics,Chinese Academy of Sciences,Beijing 100029,China;Climate Change Research Center,Chinese Academy of Sciences,Beijing 100029,China)

机构地区：[1]南京信息工程大学气象灾害教育部重点实验室/气象灾害预报预警与评估协同创新中心,江苏南京210044 [2]卑尔根大学地球物理研究所,挪威卑尔根5020 [3]中国科学院大气物理研究所竺可桢-南森国际研究中心,北京100029 [4]中国科学院气候变化研究中心,北京100029

出　　处：《大气科学学报》

基　　金：国家重点研发计划项目(2016YFA0600703);国家自然科学基金资助项目(41875118)。

年　　份：2021

卷　　号：44

期　　号：1

起止页码：26-38

语　　种：中文

收录情况：BDHX、BDHX2020、CAB、CSCD、CSCD_E2021_2022、JST、ZGKJHX、核心刊

摘　　要：经历了两次“人工智能寒冬”之后,机器学习于近十年再次进入大众视野,且有腾飞发展之势,已在图像识别和语音识别系统等实际应用方面取得了巨大成功。从已知数据集中总结关键信息和主要特征,从而对新数据做出准确的识别和预测,分别是机器学习的主要任务和主要目标之一。从这个角度看,将机器学习整合到气候预测的思路切实可行。本文,首先以线性拟合参数(即斜率和截距)调整为例,介绍了机器学习通过梯度下降算法优化参数并最终得到线性拟合函数的过程。其次,本文介绍了神经网络的构建思路以及如何应用神经网络拟合非线性函数的过程。最后,阐述了深度学习之卷积神经网络的框架原理,并将卷积神经网络应用到东亚冬季逐月气温的回报试验,并与气候动力模式的回报结果相比较。本文将有助于理解机器学习的基本原理,为机器学习应用于气候预测提供一定的参考思路。

关 键 词：机器学习  神经网络 卷积神经网络 气候预测 东亚冬季气温  

分 类 号：TP181] P46]