2401_90006704的博客

原创 WRF模式介绍（背景、框架、产品）

原创 2020年8月美国中西部地区一次罕见强对流风暴分析（附python代码）

摘要：本文分析了2020年8月10日美国中西部强对流风暴事件。研究基于WRF模式数据，通过最大组合反射率（50dBZ）确定了强对流区域（33.2°-47.8°N，103.7°-80.0°W）。分析显示：1）地面特征上，风暴区与正变压、低温区重合，且伴随气压骤升（图3）、温度骤降（图4）等剧烈变化；2）垂直结构上，扰动气压呈正负中心对分布（图6），中低层存在明显水汽梯度（图7）；3）斜温图分析表明强对流发生时整层湿度增大，抬升凝结高度显著下降（图8）。附python代码

原创 大气科学专业研究生初试、复试专业知识总结（一）

地转偏差主要有（低层：变压梯度或变高梯度（气压梯度力的局地变化））、（高层：横向地转偏差（等压、等高线辐合辐散）、纵向地转偏差（等压、等高线曲率））、（对流加速度（垂直运动的温度场配置））。根据气压倾向方程，当垂直速度为零时，地面气压变化主要与（热力因子：地面以上整个气柱中密度平流）、（动力因子：地面以上整个气柱内速度水平散度的总和）有关。水平地转偏向力：由于地球自转而产生的作用在运动物体上的惯性力，与运动速度相垂直，对运动气块不作功，只能改变气块的运动方向，而不改变其速度大小。

原创 物理信息机器学习（Physics-informed machine learning）学习笔记（3）

认识到对观测现象通常没有唯一的物理解释，我们预见了建立不同预测模式、不同可信度的模式和理论之间的基于ML转换的重要性，这些转换在可验证的方式下是一对一的（可转换的、“对偶的”、可校准的）。从ML潜在空间特征到物理可解释的观测的转换，或从ML学习的算子到封闭形式方程的转换，显然将增强ML模型的解释性。这样，通过利用学习算法的潜在空间几何学，可以谨慎地选择新的和信息丰富的数据，而算法可以逐步改进潜在空间描述符descriptors的选择，以及控制物理的数学公式，以便随着实验的进行产生现实的预测。

原创 物理信息机器学习（Physics-informed machine learning）学习笔记（2）

原文链接：Physics-informed machine learning | Nature Reviews Physics学习偏差另一种方法是从不同角度赋予神经网络（NN）先验知识。而不是设计专门的架构来隐含地强制执行这种知识，当前的努力旨在通过适当地惩罚传统 NN 近似的损失函数来以软方式施加这些约束。这种方法可以被视为多任务学习的一个特定用例，其中学习算法同时受到约束以拟合观测数据，并产生近似满足给定一组物理约束（例如，质量守恒、动量守恒、单调性等）的预测。代表性的方法有深度伽辽金法（deep Ga

原创 物理信息机器学习（Physics-informed machine learning）学习笔记（1）

原文链接：Physics-informed machine learning | Nature Reviews Physics物理信息机器学习（Physics-informed machine learning）摘要：尽管在使用偏微分方程（partial differwntial equations, PDEs）的数值离散化模拟多物理场问题方面取得了巨大进展，但仍无法将嘈杂数据无缝整合到现有算法中，网格生成仍然复杂，且由参数化PDEs控制的高维问题无法解决。此外，解决具有隐藏物理的反问题通常成本过高，需景的

原创 可解释性人工智能（Explainable Artificial Intelligence ）综述学习笔记（4）-思维导图

可解释性人工智能（Explainable Artificial Intelligence ）思维导图各章节详细内容课件本专栏其他内容

原创 可解释性人工智能（Explainable Artificial Intelligence ）综述学习笔记（3）

Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI可解释性人工智能（Explainable Artificial Intelligence, XAI）：概念，分类，机遇和挑战，迈向负责任的人工智能原文地址：Explainable Artificial Intelligence (XAI): Concepts, taxonomies

原创 可解释性人工智能（Explainable Artificial Intelligence ）综述学习笔记（2）

可解释性人工智能（Explainable Artificial Intelligence, XAI）：概念，分类，机遇和挑战，迈向负责任的人工智能4. 机器学习模型的事后可解释性技术：分类、浅层模型和深度学习

原创 可解释性人工智能（Explainable Artificial Intelligence ）综述学习笔记（1）

Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI