WRF-SFIRE 中的当前燃料水分含量 (FMC) 子系统及其工作流系统 WRFx 使用时滞微分方程模型，通过扩展的增强卡尔曼滤波器同化来自远程自动气象站 (RAWS) 上的 FMC 传感器的数据。但是结果的质量受到模型和卡尔曼滤波器的限制。我们观察到，由模型和卡尔曼滤波器组成的系统中的数据流可以解释为与循环神经网络 (RNN) 中的数据流相同。因此，我们不想构建更复杂的模型和数据同化方法，而是希望训练 RNN 来近似 FMC 传感器对环境数据时间序列的响应动态。因为标准的人工智能方法没有收敛到合理的解决方案，我们使用特殊的初始权重对 RNN 进行预训练，将其转化为微分方程的数值求解器。然后我们允许 AI 训练机器优化 RNN 权重以更好地拟合数据。我们以来自 RAWS 的 10 小时 FMC 时间序列和来自实时中尺度分析 (RTMA) 的天气数据为例来说明该方法。



"点击查看英文标题和摘要"