项目名称: 基于多模式集合的陆面蒸散发研究

项目编号: No.41205036

项目类型: 青年科学基金项目

立项/批准年度: 2013

项目学科: 大气科学学科

项目作者: 马倩

作者单位: 北京师范大学

项目金额: 25万元

中文摘要: 陆表蒸散发是陆-气间水量和能量交换的纽带,对水文、气候、农业、生态等众多领域具有重要影响。与站点观测和遥感反演相比,陆面过程模型在刻画蒸散发的时空变率方面具有明显优势。然而不同的物理参数化方案导致了陆面模拟结果差异较大。相关研究表明,基于贝叶斯模型平均(BMA)的多模式集合方法能够充分考虑各模式的性能优劣,从而显著提高估算的准确性。因此本项目拟以离线的陆面模型以及耦合的海-陆-气模型为模式框架,以贝叶斯模型平均(BMA)为方法基础,建立基于多模式集合的陆面蒸散发估算方案。一方面结合离线的陆面模型结果获得中国区域过去近60年的高质量蒸散发估算数据,另一方面结合CMIP5的多个耦合模式结果获得中国区域未来近100年较为可靠的蒸散发预测数据,进而科学地揭示中国区域过去近60年蒸散发的时空变化强度和规律,并且较为合理地刻画未来高、中、低排放情景下蒸散发的可能响应特征。

中文关键词: 蒸散;不确定性;多模式集合;太阳短波辐射;大气向下长波辐射

英文摘要: As the exchange of water and energy between land surface and atmosphere, terrestrial evapotranspiration plays a key role in many fields such as hydrology, climate, agriculture and ecology. Compared with in-situ observation and remote sensing retrieval, land surface modeling is more skillful at characterizing the spatial and temporal variability of terrestrial evapotranspiration. However, there are large differences among models' simulations due to their diverse parameterizations. Bayesian Model Averaging (BMA) method can fully consider the performance of each model, and is able to dramatically increase the accuracy of the estimate. In this study, based on both offline land surface models and coupled ocean-land-atmosphere models, and with the Bayesian Model Averaging (BMA) method, multimodel ensemble scheme of terrestrial evapotranspiration will be built. More reliable terrestrial evapotranspiration estimate in China during the past 60 years will be derived through offline land surface modelings, while climate forecast of terrestrial evapotranspiration in China will be available via multiple coupled models in CMIP5. The above multimodel ensemble scheme is capable of providing a reasonable estimate of terrestrial evapotranspiration so as to profoundly characterize its temporal and spatial variability in China duri

英文关键词: evapotranspiration;uncertainty;mutimodel ensemble;solar shortwave radiation;atmospheric downward longwave radiation

成为VIP会员查看完整内容
0

相关内容

顾及时空特征的地理知识图谱构建方法
专知会员服务
53+阅读 · 2022年2月15日
【NeurIPS 2021】实例依赖的偏标记学习
专知会员服务
10+阅读 · 2021年11月28日
【NeurIPS 2021】基于潜在空间能量模型的可控和组分生成
专知会员服务
16+阅读 · 2021年10月23日
专知会员服务
87+阅读 · 2021年9月4日
专知会员服务
14+阅读 · 2021年6月26日
【KDD2020】动态知识图谱的多事件预测
专知会员服务
127+阅读 · 2020年8月30日
大数据安全技术研究进展
专知会员服务
92+阅读 · 2020年5月2日
【动态】通过可视化增强基于数据的决策-国际学术报告成功举办
中国图象图形学学会CSIG
0+阅读 · 2022年3月25日
【NeurIPS 2021】实例依赖的偏标记学习
专知
1+阅读 · 2021年11月28日
如何利用深度学习优化大气污染物排放量估算?
微软研究院AI头条
0+阅读 · 2021年8月31日
论文浅尝 | 基于属性嵌入的知识图谱间实体对齐方法
开放知识图谱
30+阅读 · 2019年3月26日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
Arxiv
16+阅读 · 2021年3月2日
Arxiv
19+阅读 · 2020年12月23日
小贴士
相关主题
相关VIP内容
顾及时空特征的地理知识图谱构建方法
专知会员服务
53+阅读 · 2022年2月15日
【NeurIPS 2021】实例依赖的偏标记学习
专知会员服务
10+阅读 · 2021年11月28日
【NeurIPS 2021】基于潜在空间能量模型的可控和组分生成
专知会员服务
16+阅读 · 2021年10月23日
专知会员服务
87+阅读 · 2021年9月4日
专知会员服务
14+阅读 · 2021年6月26日
【KDD2020】动态知识图谱的多事件预测
专知会员服务
127+阅读 · 2020年8月30日
大数据安全技术研究进展
专知会员服务
92+阅读 · 2020年5月2日
相关基金
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
微信扫码咨询专知VIP会员