每月遗传BP人工神经网络估计南极表面空气温度在1960 - 2019

文摘

站坐的空间稀疏和时间不连续数据不允许完全了解南极表面空气温度(SAT)的变化在过去的几十年。使用空间插值生成时空连续坐的字段代表一个方法来解决这个问题。本研究提出了一个反向传播人工神经网络(BPANN)优化的遗传算法(GA)来估计每月坐的1960 - 2019年期间的南极大陆。交叉验证表明,该插值精度GA-BPANN高于基准的两个方法,即。看不到,BPANN和多元线性回归(MLR)。三种插值方法的误差特性month-dependent变化和往往是低在暖(冷)月(大)。此外,每年坐有一个显著的降温趋势在1960 - 1989(趋势=−0.07°C /年; )和明显的变暖趋势在1990 - 2019 (= 0.06°C /趋势; )。每月坐不显示一致的冷却或在所有月变暖趋势,例如,坐在没有显示显著降温趋势在1960 - 1989年1月至12月,一个明显的变暖趋势今年1月,6月,7月和12月期间1990 - 2019。此外,南极坐在随纬度和远离海岸线的距离,但南极东部比西部南极冷整体。时空不一致性在南极大陆坐趋势明显,例如,南极大陆的大部分显示降温趋势在1960 - 1989(趋势=−0.20∼0°C /年; )与峰值在东部南极大陆的中部,而整个南极大陆显示变暖的趋势在1990 - 2019(趋势= 0∼0.10°C /年; )峰在高纬度地区。

1。介绍

表面空气温度的变化(坐)在南极是全球坐在变化的指标1]。南极坐部分导致气候变化异常在东亚(2热带],[3],和北极[4通过桥梁硕士)。建立南极坐如何调节的海冰范围和厚度在南半球将改善全球气候变化的可预测性。然而,挑战存在于了解南极坐,和以往的研究并没有得出一致的结论。有研究表明,大多数的南极大陆已降温趋势(5- - - - - -7]。相比之下,其他的研究支持疲软的变暖趋势在整个南极大陆(8- - - - - -10]。此外,有研究表明,南极半岛显示变暖趋势在20世纪的最后几十年(11,12),但其他的研究表明,没有证据表明南极半岛,期间经历了气候变暖(13]。负责研究结果不一致的因素包括站坐数据的稀疏和时间不连续(14),缺乏高质量的卫星坐产品,通常受到云层和雪在南极表面(15),大温暖的偏见繁殖南极温度用气候模型(16),明确冷偏见每月坐再分析数据集在南极的沿海地区,冬天温暖和大偏差控制在南极内陆(17]。上面的不一致也可以归因于不同的数据源用于每项研究。因此,生成一个被广泛接受的、高质量和时空连续坐数据集在南极更好地了解南极坐是至关重要的变化在过去的几十年。

另一种方法是用于生成基于有限时空连续的和高质量的坐在数据站坐着观察和适当的空间插值方法(18,19),它允许探索SAT变化的地方站数据不可用。有许多空间插值的方法,比如逆距离加权(IDW) [20.,样条方法21],Kriging-based方法[22),和多元线性回归方法(23]。基于这些方法,几个网格坐数据集开发,比如英国气象局哈德利气候研究中心中心温度版本4(以下简称HadCRUT4) [24),伯克利地球表面温度(以下,最好)25),美国国家航空航天局戈达德太空研究所表面温度分析(以下简称GISTEMP) [26),美国国家海洋和大气管理局合并陆地全球表面温度分析版本4 (MLOST) [27,气候研究中心Timeseries版本4 (CRU TS) [28]。然而,尽管这些坐数据集已经广泛应用于各种气候研究,缺点依然存在。例如,这些数据不包括一些至关重要的地区,还有大面积缺失值的海洋和南极(29日]。这些缺点促使本研究建立的新方法来创建网格坐数据集覆盖整个南极,达到高质量标准。

近年来,机器学习(ML)提出了基于空间插值方法在传统方法(如IDW,花键和克里格)(30.- - - - - -33]。前馈逆向传播人工神经网络(BPANN) (34),这是一个常用的ANN模型毫升,是一个有前途的工具,用于解决复杂非线性建模和预测问题[35]。作为一种非线性模型,BPANN可以找到示例数据中复杂的非线性关系,没有假设提前一个特定的输入和输出之间的关系(34]。BPANN算法被用于气候变量的空间插值(36- - - - - -38]。然而,由于其纯粹的数据驱动的特点,BPANN在实践中还显示缺陷。例如,BPANN容易过度拟合(39和容易陷入局部最优解40]。此外,BPANN不容易确定的结构,虽然初始连接权值和阈值的选择网络极大地影响BPANN的表现,他们是随机的,不能准确地获得41]。旨在克服这些内在缺陷,许多研究人员试图改善BPANN使用智能优化算法的性能(42- - - - - -45]。遗传算法(GA)特性优良的全局搜索能力(46),用于优化的初始连接权值和阈值BPANN(以下简称GA-BPANN)为了避免陷入局部最优,提高训练速度和建模能力(42,47]。因此,GA-BPANN已经应用于自然科学和社会科学的许多领域对复杂非线性建模和预测,显示性能优良在其他BPANN模型优化不同的算法(48- - - - - -51]。然而,目前很少有报道使用GA-BPANN进行空间插值,尤其是对南极气温的插值。

一个高质量和时空连续坐数据集是南极气候研究的基础。本研究旨在产生一个月度网格数据集坐了南极大陆在1960 - 2019年使用GA-BPANN方法和有限的站坐的观察。GA-BPANN用于空间插值的性能与高钙和BPANN相比。本文的其余部分组织如下。站坐的细节数据和空间插值方法在本研究中提出了部分2。部分3包括估计南极坐的验证数据集使用不同的插值方法。初步分析关于南极的时空变化坐1960 - 2019年期间也在这一节中描述。有些前景改善坐插值的数据质量进行了部分4。在最后部分,总结了本研究的主要发现。

2。数据和方法

2.1。站坐数据

站坐数据提取南极的全球历史气候网月度数据集,第4版(以下简称GHCNmV4) [52]。每月的气候记录的GHCNmV4是一组来自世界各地的成千上万的气象站。不同的月度数据的记录,最早观测可以追溯到18世纪。有些纯粹是站记录历史和不再更新,而很多人仍然是最新的。相对于以前的版本,GHCNmV4提供了一个扩展数据集站的温度记录以及更全面的不确定性的计算站和区域温度的趋势。月度温度的总数站在GHCNmV4南极1960 - 2019 = 82(图1)。

2.2。地理因素数据

坐的地理空间分布影响因素主要包括经度、纬度、海拔、地形条件和土地覆盖(53]。先前的研究已经报道,每月平均坐与纬度有显著相关性,经度和海拔54,55]。此外,坐在大陆尺度的空间分布主要是由地理因素等纬度,经度和海拔高度(54]。这三个因素通常从数字高程模型(DEM)中提取数据。在这项研究中,南极1公里分辨率DEM数据使用;这些数据从国家青藏高原数据中心下载(TPDC;https://data.tpdc.ac.cn/en/)。这个1公里分辨率DEM可以捕捉南极山岳志对坐分布的影响。每个坐在车站的高程提取是基于这个坐的经度和纬度。训练样本用于构造空间插值模型包括所有坐在车站的经度和纬度,提取的海拔,每月坐观测期间1960 - 2019。每月使用构造的插值模型训练样本。此外,经度,纬度和海拔高度对所有网格是通过民主党在ArcGIS软件采样,然后被用作每月不同的插值模型的输入样本估计每月坐1960 - 2019年期间的南极大陆。因此,估计坐的空间分辨率DEM的字段是一致的,两者都是1公里常规电网。

2.3。空间插值方法

2.3.1。高钙

看不到多元线性回归(MLR)是一种常用的空间插值方法,及其性能总是优于IDW等几种基准插值方法,花键,克里格(23]。在这项研究中,MLR-based插值的结果被认为是一个参考比较BPANN和GA-BPANN插值表演。根据先前的研究,高钙方法认为坐的空间分布的综合效应经度,纬度,海拔,和其他地理因素。高钙以坐为因变量和地理等因素高度,纬度和经度作为独立变量(20.,56)构建SAT插值模型如下: 在哪里T表示坐着 分别是经度,纬度和海拔。是残差。 回归系数。回归系数和剩余误差估计的最小二乘法。高钙模型,然后就坐在其他领域估计基于高构造模型和经度,纬度,海拔从DEM中提取数据。

2.3.2。BPANN

BPANN模型是最常用的ANN模型之一,具有较强的非线性复杂系统建模和分析能力。BPANN使用非线性可微函数训练多层网络,分为输入层、隐层和输出层。几个优势BPANN特征,包括(1)结构简单,简单的可操作性,(2)复杂的非线性映射从输入到输出,和(3)自学能力为进一步改善和发展(57]。在这项研究中,有三个输入层的神经元BPANN模型来表示经度,纬度和海拔高度和一个神经元(即在输出层。,坐)。隐层神经元的数目BPANN模型的一个基本参数,但是很难准确地确定。目前,经验规则提出了解决这一问题(58]。在这项研究中,隐层的神经元将七根据这些规则。BPANN描述在图的结构2并采取以下公式: 在哪里剩余误差和吗表示BPANN模型的参数,如连接权值和阈值。

2.3.3。GA-BPANN

遗传算法是一种自适应概率的全球搜索过程,从一个初始人口有限字符串表示的每个成员(称为染色体或个人)代表一个候选人解决问题(46]。遗传算法的初始种群是随机抽样。遗传算法提供了一种解决方案空间,使BPANN找到最佳的解决方案,帮助避免局部最优。在GA-BPANN,每个个体(或染色体)代表一个每个网络的连接权值和阈值的分布。因此,人口的个人(或染色体)代表了人口的神经网络权值和阈值分布不同。使用遗传算法来优化BPANN的初始权值和阈值。BPANN模型优化的遗传算法包括两个部分。一部分是确定BPANN结构和代码最初的个人。另一部分是与GA优化BPANN。GA过程总结如下:(1)初始化种群; (2) calculate the fitness value of each individual in the population; (3) select individuals which will enter the next generation according to a rule determined by individual fitness values; (4) perform crossover operation according to crossover probability; (5) carry out mutation operation according to mutation probability; (6) if the end conditions are not met, then go to step (2), or enter (7); and (7) use the individual (or chromosome) with the best fitness value in the output population as the optimal solution of the problem. As a result, the most optimal individual, which represents the optimal initial weights and thresholds of the BPANN model, is generated. Figure3描述BPANN优化与遗传算法的流程图;种群初始化的细节、适应度函数、选择操作、交叉操作、变异操作,请参考[46,47]。

2.4。验证方法

交叉验证是用来评估的空间插值表演上述三种插值方法。每个站的交叉验证假设SAT的值是未知的,估计基于SAT的值周围的电台。观察坐在之间的错误值,估计坐值的所有电台计算插值法的性能进行评估。典型的性能指标包括平均绝对误差(MAE)和均方根误差(RMSE)被用来调查之间的差异观察坐,估计坐。美反映了网站整体误差的程度,虽然RMSE可以反映了估计误差的敏感性和极端效果示例数据。较小的值这两个指标表示插值的精度更高。MAE和RMSE的公式如下: 在哪里是观测值,是估计价值在相应的网站,吗观测站点的总数。

3所示。结果

3.1。交叉验证的结果

在这项研究中,82站坐数据在南极大陆及其周边地区被选来估计每月坐字段使用高钙1960 - 2019年期间,BPANN, GA-BPANN方法。三种插值方法的精度被交叉验证测试。年度和月度梅斯和均方根计算和使用观察三种方法的插值精度的变化(数据4和5)。

图4揭示了一个强劲的月度梅斯的依赖和rms与三种插值方法,即。在寒冷的月份,他们表现出更大的错误,小错误在温暖的月份。同样,南极坐再分析的验证表明,SAT再分析数据集有较高的梅斯在南极的冬季和更低的美在南极夏季(17]。类似的观察也被报道在中国的气温空间插值59冬天),发现内插误差大于夏季和秋季。此外,北极气温再分析数据集的验证还表示,坐再分析数据集有很大偏差在北极冬天和一个小偏差在北极夏季(60]。上述结果表明,空间插值的技能评估气候变量依赖于温度或month-dependent每月。此外,图4表明之间的梅斯和rms站坐和估计每月坐使用GA-BPANN最低,与平均每个月梅斯站在介于1.92和4.91平均值为3.15,在每个月平均均方根的范围在4.09和9.46之间,平均为6.31。与station-averaged GA-BPANN是高钙插值方法后,梅斯在每个月从3.61到6.35,平均为5.32,station-averaged rms在每个月从6.84到10.38,平均为9.03。梅斯和rms与BPANN大于GA-BPANN和高钙,例如,每个月的station-averaged MAEs范围从3.65到8.00,平均为6.28,而station-averaged rms在每个月范围从5.75到12.17,平均为9.30。总的来说,三种插值方法的性能排名估计南极大陆的每月坐GA-BPANN >高钙> BPANN。此外,图5表明,三种方法的插值误差与观测数据的增加逐渐减少,这意味着使用更多的观测数据时,坐在分布之间的关系和地理因素增加,和插值变得更加准确。此外,数据4和5也表明,插值精度BPANN不如高,这意味着尽管BPANN模型可以表达坐和地理因素之间的非线性关系,没有最佳的连接权值和阈值,其性能空间插值的南极坐比与高钙,它表达之间的关系和地理因素坐在一个线性方式。在这项研究中,插值精度GA-BPANN显然是更好的比高和BPANN方法,表明传统BPANN的GA优化的有效性。

3.2。1960 - 2019年期间南极坐

在本节中,时间和空间的变化分析了1960 - 2019年期间的南极坐在使用每月坐字段GA-BPANN生成的方法。

3.2.1之上。时间变化的南极坐

时间跨度以来估计坐字段是60年,它包括两个气候学(30年期间是气候学基线定义为世界气象组织),即1960 - 1989和1990 - 2019年,允许开展坐在气候学的比较。因此,变化的南极1960 - 1989和1990 - 2019年期间坐在月度和年度时间尺度分析(图6)。在1960 - 1989年期间,年平均坐在南极大陆−39.86±1.24°C,坐在最高的(即1月被发现。−21.62±1.32°C),最低坐(即8月被发现。−50.53±2.93°C)。在1990 - 2019年期间,年平均坐在南极大陆−39.31±0.93°C。SAT(即12月最高。,−20.71 ± 1.24°C) and lowest in August (i.e., −49.69 ± 2.59°C). In addition, Figure6显示,南极年度坐1960 - 1989年期间经历了显著的降温趋势(趋势=−0.07°C /年; )和明显的变暖趋势在1990 - 2019 (= 0.06°C /趋势; )。然而,没有趋势在南极年度坐2003 - 2019(趋势= 0°C /年, )。这一发现与之前的结论是一致的,每年在南极变暖没有坐过去几十年的21世纪13]。此外,每月坐不显示一致的冷却或变暖趋势在所有月这两个时期。例如,最高的冷却速率在1960 - 1989年6月被发现(趋势=−0.14°C /年; ),而坐在没有趋势在1960年1月- 1989(趋势= 0°C /年; ),坐12月显示无意义的变暖的趋势在1960 - 1989 (= 0.01°C /趋势; )。坐在其他个月显示冷却趋势不同显著水平和利率在1960 - 1989。此外,变暖趋势今年1月,6月,7月和11月1990 - 2019年期间都不重要。12月坐在没有显示冷却或变暖趋势(趋势= 0°C /年; )在1990 - 2019。坐在其他月份显示不同显著变暖趋势水平和利率在1960 - 1989。最高的变暖速度是在1990年5月- 2019 (= 0.16°C /趋势; )。

3.2.2。南极坐的空间模式

图7显示的意思是坐的空间分布领域1960 - 1989和1990 - 2019年期间,分别。两个坐在字段显示在南极大陆几乎相同的模式。南极坐基本上随着纬度的增加下降,在这两个时期距离海岸线,冷中心(即。,−55.13 ± 4.67°C) located over the eastern Antarctic continent south of 80° S. Overall, the east Antarctic continent was colder than the west Antarctic continent during the two periods. Statistical differences between the two SAT fields cannot be found in terms of patterns and amplitudes.

图8显示坐的空间格局趋势1960 - 1989和1990 - 2019年期间,分别。虽然坐在气候学没有显示明显的差异在两个时期之间,明显的差异可以在SAT趋势的两个时期。图8(一个)表明坐在最南极大陆的降温趋势在1960 - 1989(趋势=−0.20∼0°C /年; )与峰值在中央东部南极大陆的一部分。在同一时期,南极半岛还显示一个降温趋势(趋势=−0.10∼0°C /年; )。只有罗斯海的西部海岸的东部和北部海岸威德尔海显示变暖趋势(趋势= 0∼0.08°C /年; )。此外,图8 (b)表明,几乎整个南极大陆显示变暖的趋势在1990 - 2019(趋势= 0∼0.10°C /年; )与峰值更高纬度地区的大陆,表明全球变暖速度与纬度增加1990 - 2019。只有一小部分的东部沿海地区表现出弱的降温趋势(趋势=−0.02∼0°C /年; )。上面的比较表明,有时空不一致性坐在趋势在南极大陆的两个时期,南极坐在趋势取决于时间和空间面积计算。例如,冷却速率最高的是发现南极大陆东部的中心部分,而最高的变暖速度在南极大陆的高纬度地区。冷却率在1960 - 1989年大于变暖率在1990 - 2019。最后,坐的机制推动时空不一致的趋势在南极大陆应该进一步研究这两个时期的帮助下完全耦合的气候模型;然而,这种分析超出了本研究的主要目的,并将在未来的工作。

4所示。讨论

一般来说,气候变量的插值误差减少单调的增加使用站数据(18,19,23,59]。高钙的插值误差和BPANN符合这个规则(见图5)。然而,插值误差GA-BPANN显示一个下降的趋势在1980年之前,一个增加的趋势在1980年和2003年之间,2003年后减少的趋势。即插值误差GA-BPANN不减少单调的增加使用站数据。尽管如此,插值误差GA-BPANN总是明显小于高钙和BPANN。这种情况的原因可能是由于这一事实的数量和空间分布在不同月份是时变的,但是遗传算法的参数值(见图3个月)是不变的。此外,该参数值影响遗传算法的优化性能(46,47]。因此,遗传算法搜索最优连接权值和阈值可能不几个月在这些不变的参数值,导致GA-BPANN插值精度的相应的几个月没有达到预期的优化效果。但GA-BPANN仍优于传统BPANN随机连接和阈值和高线性链接SAT和地理因素。因此,一个简单的方法来进一步提高性能的GA-BPANN时变参数值分析是采用遗传算法的搜索过程。具体来说,遗传算法使用多个组参数值在每个月,这是随机抽样的经验范围参数,搜索最优权值和阈值。在每个月,一群GA-BPANN插值模型使用相同的训练样本训练但GA参数值不同,我们只选择最优GA-BPANN插值模型来估计坐的那个月。这种方法可以确保每月GA-BPANN插值模型可以适应样本数据在相应的月尽可能多的,只要有足够的参数值组。然而,使用参数组不能是无限的,因为更多的参数组意味着需要更多的时间消耗。

此外,与先前坐在插值研究其他地区(18,19,21- - - - - -23,31日,59),它通常需要的地方估计坐字段根据GA-BPANN方法在先前发表的背景下坐数据集由传统的插值方法。然而,一些数据相关问题阻碍这种尝试。特别是,尽管存在一些interpolation-based和广泛使用的网格坐数据集,如HadCRUT4 [24最好),(25],GISTEMP [26],MLOST [27],CRU TS (28),这些数据集或省略了南极地区有很大一部分缺失值在南极大陆。结果,这些数据相关的问题不能让比较估计坐在本研究数据与几个广泛使用坐插值数据的完全南极坐在模式。尽管如此,一项研究已经生成一个南极年平均表面温度图(以下简称AAMSTM)使用南极高钙方法基于1175年平均地表温度数据集,包括南极的冰盖温度数据,10米钻孔温度,自动气象站数据(54]。AAMSTM表明南极年平均地表温度至少低于−55°C /中央南极东部,功能强大的elevation-dependent变化,变化从20°C到−−10°C在沿海地区。SAT模式和大小反映在AAMSTM高度一致的南极坐在显示在图7,表明GA-BPANN-estimated就坐在这个研究领域的可靠性。

只有三个地理因素(即。,longitude, latitude, and elevation), which were found to be the main factors affecting monthly SAT distribution and variation at continental scales in several previous studies, were considered for estimating the Antarctic SAT fields in this study. However, the mechanisms driving SAT distribution and variation are very complicated in space and time domains [18,55,59),可能会有一些其他因素尚未评估,如地表类型、空气湿度、风速、风向,海岸线的距离;特别是海洋表面温度和大气环流被视为重要的因素影响长期趋势的月度和年度的意思是坐62年,63年]。然而,这个问题已经超出了本研究的范围,将在未来的探索工作。此外,南极内陆的地形非常复杂;在这种情况下,需要更多的站数据来描述当地坐和地形因子之间的关系(18,55,59]。在这项研究中,82名在南极站坐数据用于南极坐插值,这远比南极站的数量用于以前公布的数据集(坐24- - - - - -26,64年)主要是因为GHCNmV4数据集整合更多的历史站数据。然而,从图可以看出1,大多数的82个车站分布在南极海岸线,和站在南极内陆仍然非常稀疏和不均匀,这可能导致更大的不确定性坐插值在南极内陆(59]。然而,这种内在缺陷的分布与南极气象站不能克服当前插值方法,这是一个主要挑战南极坐在开发新的插值方法插值和驱动利益相关者基于稀疏和不均匀的历史。

地理因素用于训练样本插值模型和估计坐字段通常从DEM中提取数据;因此,空间分辨率和精度的DEM数据从本质上影响插值精度(19,23,59]。DEM数据更好的分辨率和准确性将改善气候插值的精度,尤其在地形复杂的地区,如南极大陆(54),因为它可以提供更好的地形描述和有利于构建一个更精确的气候变量之间的统计关系和地理因素。因此,应用最合适的DEM数据中提取地理因素是至关重要和必不可少的。南极DEM数据用于研究现有的几个南极中最好的空间分辨率DEM数据,质量经过严格测试(见细节https://data.tpdc.ac.cn/en/data/)。因此,这个DEM数据可以最小化南极坐在插值尽可能多的错误。然而,南极大陆是不同于其他大洲,它是完全被冰雪覆盖,改变近几十年来全球变暖(下65年,66年),这意味着南极海拔也被改变随着时间的推移,随着冰雪融化和冻结67年,68年)与其他无冰相比大陆与稳定的海拔。实际上,南极DEM数据用于这项研究代表了多年平均海拔在1998 - 2008。它必然会带来错误插值结果如果提取高程值多年平均每月DEM构建训练样本和插值样本期间1960 - 2019。然而,没有每月的和长期的南极DEM数据;这是具有挑战性的在南极坐插值DEM-based地理因素必须考虑。

最后,空间插值是一个复杂的问题,和每个插值方法都有自己的特定的假设,适用条件,优点,缺点。尽管GA-BPANN表现良好在南极坐插值,它可能不执行在美国对世界其他地区也有不同的站坐数据和不同的气候变量。空间插值应根据研究区域的地理和地形特征(例如,山区、平原、高原内陆,和沿海)和站的特征数据(例如,数据质量,数据量,均匀度的空间分布、时间连续性和物理性质的变量)。因此,最合适的方法和数据集应该利用在特定区域进行空间插值。

5。结论

准确、全面了解南极坐在变化有助于改善全球气候变化预测。然而,由于数据可用性问题,南极坐在变化在过去的几十年里仍有争议。这种争论已经促使利益相关者生成一个被广泛接受的,高质量,和时空连续的数据集在南极,有助于全面了解南极坐在变化在过去的几十年。空间插值是一种替代方法用于生成时空连续的和高质量的坐在数据根据有限的站坐的观察。本研究引入了一个有前途的空间插值方法,即。,GA-BPANN GA BPANN优化。GA-BPANN BPANN相比,高估计每月坐1960 - 2019年期间的南极大陆。验证表明,GA-BPANN的插值性能优于BPANN和高钙。GA-BPANN改进的代表坐和地理因素之间的非线性关系调节SAT分布,不能表达的高。GA-BPANN也避免容易陷入局部最优,BPANN方法的缺点。

基于估计坐与GA-BPANN领域获得的南极大陆,时间和空间的变化分析了1960 - 2019年期间的南极坐。南极年度坐经历了显著的降温趋势在1960 - 1989年和1990 - 2019年期间明显的变暖趋势。坐在最个月显示冷却的趋势在1960 - 1989和1960 - 1989年期间变暖趋势,尽管重要性水平和利率变化在不同的几个月。意味着坐在字段的空间分布在1960 - 1989和1990 - 2019显示在南极大陆几乎相同的模式。南极坐与纬度和海岸线的距离减少,和东南极洲比南极西部大陆整体冷。SAT在南极大陆的大部分,包括南极半岛,经历了1960 - 1989年期间降温趋势,峰值超过中央东部南极大陆的一部分。只有罗斯海的西部海岸的东部和北部海岸威德尔海变暖趋势。此外,几乎整个南极大陆显示变暖的趋势在1990 - 2019年期间,与峰值在南极大陆的高纬度地区。这些结果证实存在的时空不一致性在SAT趋势在南极大陆两个气候期检查。然而,本研究指出,一个弱点是无法进行物理解释时空不一致性在南极坐在趋势两个气候时期因为解决这个问题需要进行复杂的归因实验借助耦合气候模式,这大大超出了本研究的主要范围。

总之,这项研究证实了GA-BPANN大幅提高插值精度的估计南极坐字段与BPANN相比,高钙。时空变化分析了1960 - 2019年期间的南极坐在基于估计每月坐字段GA-BPANN生成的方法。此外,一些改善空间插值技术的前景进行了讨论。南极坐数据集生成通过本研究可以提供数据依据研究南极气候变化,验证数值气候模型,指导南极领域研究活动(例如,钻井冰芯和规划气象站)。本研究的结论也将成为空间插值方法的领域的新见解和南极坐在变化在过去的几十年。

数据可用性

GHCNmV4数据集从国家气候数据中心下载(https://www.ncdc.noaa.gov/data-access/land-based-station-data/land-based-datasets/global-historical-climatology-network-monthly-version-4)。国家青藏高原的DEM数据下载数据中心(TPDC) (https://data.tpdc.ac.cn/en/data/)。每月的网格数据集坐了南极大陆1960 - 2019年期间由本研究和源代码用于这项研究是直接可以从作者(电子邮件:mfang@lzb.ac.cn)。

的利益冲突

作者宣称没有利益冲突的有关这项研究的出版物。

确认

这项工作是共同支持的中国科学院的战略重点研究项目(批准号XDA19070103),中国国家重点研发项目(批准号2017 yfa0603302),美国国家科学基金会中国项目(批准号41701046),中科院“西部之光”项目。

引用

1. j·j·卡萨诺、p . Uotila和a·林奇“极地地区天气气候模式的变化在二十和二十一世纪,第2部分:南极,”国际气候学杂志,26卷,不。8,1027 - 1049年,2006页。视图:谷歌学术搜索
2. j . h .哦,w .公园,h . g . Lim et al .,“南极融水迫使东亚气候的影响下温室变暖,”《地球物理研究快报卷,47号21日文章ID e2020GL089951, 2020。视图:出版商的网站|谷歌学术搜索
3. j .冯y张问:Cheng x s .梁和t .江”分析与春天有关的夏天南极海冰异常印度洋偶极子,“全球和行星变化文章ID 102982卷,181年,2019年。视图:出版商的网站|谷歌学术搜索
4. m·r·英格兰l . m . Polvani介绍,l .太阳“健壮的北极变暖造成预计南极海冰损失,”环境研究快报ID 104005条,卷。15日,2020年。视图:谷歌学术搜索
5. p·t·多兰,j . c . Priscu w·b·里昂et al .,“南极气候冷却和陆地生态系统响应,”自然,卷415,不。6871年,第520 - 517页,2002年。视图:出版商的网站|谷歌学术搜索
6. d . t .辛德尔·g·a·施密特,“南半球气候应对臭氧变化和温室气体增加,”《地球物理研究快报没有,卷。31日。18日,文章ID L18209, 2004年。视图:出版商的网站|谷歌学术搜索
7. b . Stenni m·a·j·柯伦n . j .亚伯兰et al .,“南极气候变化对区域和大陆尺度在过去的2000年里,“过去的气候,13卷,不。11日,第1634 - 1609页,2017年。视图:出版商的网站|谷歌学术搜索
8. w·l·查普曼和j·e·沃尔什“南极的合成温度,”杂志的气候,20卷,不。16,4096 - 4117年,2007页。视图:出版商的网站|谷歌学术搜索
9. e . j .史泰格·d·p·施耐德,s·d·卢瑟福,m·e·曼j . c . Comiso d . t .辛德尔,“变暖南极的冰盖表面的自1957年国际地球物理年,”自然,卷457,不。7228年,第462 - 459页,2009年。视图:出版商的网站|谷歌学术搜索
10. j·p·尼古拉斯·d·h·布朗,“新南极近地表温度的重建:数十年全球可利用的趋势和可靠性”杂志的气候,27卷,不。21日,第8093 - 8070页,2014年。视图:出版商的网站|谷歌学术搜索
11. r . Mulvaney n . j .亚伯兰et al ., r·c·a·欣德马什”最近南极半岛相对全新世气候变暖和冰架历史,”自然,卷489,不。7414年,第144 - 141页,2012年。视图:出版商的网站|谷歌学术搜索
12. d . Bozkurt d·h·布罗姆维奇j·卡拉斯科et al .,“最近近地表温度趋势从观察南极半岛,再分析和区域气候模型数据,”大气科学的进步,37卷,不。5,59 - 75年,2020页。视图:出版商的网站|谷歌学术搜索
13. h . j . Turner,即白色et al .,“21世纪没有变暖南极半岛与自然变化一致,”自然,卷535,不。7612年,第415 - 411页,2016年。视图:出版商的网站|谷歌学术搜索
14. m·a·g·a·怀德·l·m·凯勒j·e·托姆和j·j·卡萨诺,“南极自动气象站计划:30年的极地观察,“美国气象学会的公告,卷93,不。10日,1519 - 1537年,2012页。视图:出版商的网站|谷歌学术搜索
15. j·特纳,g·j·马歇尔,k . Clem Colwell, t·菲利普斯和h,“南极温度变化和改变从站数据。”国际气候学杂志,40卷,不。6,2986 - 3007年,2019页。视图:出版商的网站|谷歌学术搜索
16. d·p·施奈德和d . b . Reusch南极和南部海洋表面温度在CMIP5模型表面能量预算的背景下,“杂志的气候卷,29号5,1689 - 1716年,2016页。视图:出版商的网站|谷歌学术搜索
17. 淮河,y, m .叮,j .张x盾,“评估最近的全球大气可利用南极表面附近的空气温度,“大气研究卷,226年,第191 - 181页,2019年。视图:出版商的网站|谷歌学术搜索
18. j·k·斯塔尔,r·d·摩尔a .弗洛伊·m·g . Asplin和i . g . McKendry”对于日常空气温度的空间插值方法的比较在一个大地区复杂的地形和高度可变密度,”农业和森林气象学,卷139,不。3 - 4、224 - 236年,2006页。视图:出版商的网站|谷歌学术搜索
19. a . o .《a . k . Bhowmik w·齐和x邓”的比较空间插值技术来生成高分辨率气候表面尼日利亚,”国际气候学杂志,37卷,不。S1, 179 - 192年,2017页。视图:出版商的网站|谷歌学术搜索
20. a . Di广场f . l .孔蒂l . v .诺托f .中提琴和g . La凉廊”的比较分析不同降雨数据的空间插值技术来创建一个连续完成每月的降水时间序列西西里,意大利,“国际期刊《应用地球观测和地质信息,13卷,不。3、396 - 408年,2011页。视图:出版商的网站|谷歌学术搜索
21. s . Vicente-Serrano m . Saz-Sanchez, j . Cuadrat”插值方法的比较分析在埃布罗河(西班牙):应用程序年降水量和温度,“气候研究,24卷,不。2、161 - 180年,2003页。视图:出版商的网站|谷歌学术搜索
22. g·哈德逊和h . Wackernagel映射使用克里格与外部温度漂移:理论和从苏格兰的一个例子,“国际气候学杂志,14卷,不。1,第91 - 77页,2010。视图:谷歌学术搜索
23. 白,x j·陈,j . Yu”的研究基于ArcGIS空间插值的甘肃空气温度,“先进材料的研究卷,518 - 523,1359 - 1362年,2012页。视图:出版商的网站|谷歌学术搜索
24. c·p·Morice j·j·肯尼迪:a .雷纳et al .,“量化不确定性在全球和地区温度变化观测估计使用一个合奏:HadCRUT4的数据集,”地球物理学研究杂志:atm文章ID D08101卷。117年,2012年。视图:出版商的网站|谷歌学术搜索
25. 罗德r, r·穆勒r·雅各布森et al .,“伯克利地球温度平均过程,”Geoinformatics和地质统计学概述,1卷,不。2,1-13,2013页。视图:谷歌学术搜索
26. 佐藤j·汉森,r·鲁迪,m . et al .,“全球表面温度变化,”地球物理评论,48卷,不。4篇文章ID RG4004 2010。视图:出版商的网站|谷歌学术搜索
27. t·m·史密斯,r·w·雷诺兹t·c·彼得森和j . Lawrimore”改进NOAA的历史合并陆地表面温度分析(1880 - 2006),“杂志的气候,21卷,不。10日,2283 - 2296年,2008页。视图:出版商的网站|谷歌学术搜索
28. 哈里斯,p·d·琼斯,t·j·奥斯本和d·h·李斯特“每月更新的高分辨率网格气候观测CRU TS3.10数据集,“国际气候学杂志,34卷,不。3、623 - 642年,2014页。视图:出版商的网站|谷歌学术搜索
29. k·卡谭和r . g .,“HadCRUT4温度系列报道偏差及其对最近的温度的影响趋势,”季度皇家气象学会杂志》上,卷140,不。683年,第1944 - 1935页,2014年。视图:出版商的网站|谷歌学术搜索
30. j . Li公元堆,a·波特和j·j·丹尼尔“机器学习的应用空间插值的环境变量的方法,”环境建模与软件,26卷,不。12日,第1659 - 1647页,2011年。视图:出版商的网站|谷歌学术搜索
31. p .安娜莉莎c·弗朗西斯科·诉弗朗西斯科·e·埃和n .达芬奇“地中海地区的空间插值方法的比较分析:应用程序在西西里,温度”水,7卷,不。12,1866页,2015年。视图:谷歌学术搜索
32. j . c . s .初级诉Medeiros c . Garrozi a .黑山和g . e . Gonalves“随机森林蒸散数据的空间插值技术从巴西的东北部,”计算机和电子产品在农业文章ID 105017卷,166年,2019年。视图:出版商的网站|谷歌学术搜索
33. p . j .米切尔·m·a·斯宾塞,j·奥尔德里奇,a . t . Kotilainen和m .死”在波罗的海沉积率:机器学习的方法,”大陆架的研究文章ID 104325卷,214年,2021年。视图:谷歌学术搜索
34. a·t·c·吴”,利用bp神经网络建模复杂的系统,”人工智能技术在工程,9卷,不。3、143 - 151年,1995页。视图:出版商的网站|谷歌学术搜索
35. d . b . t . Pham Tien Bui,普拉卡什,和m . b . Dholakia”混合集成的多层感知器神经网络和机器学习乐团滑坡敏感性评估使用GIS在喜马拉雅地区(印度),“系列卷。149年,52 - 63年,2017页。视图:出版商的网站|谷歌学术搜索
36. 问:李、j . c . Cheng和y . m .胡“土壤养分的空间插值在BP神经网络的基础上,“农业科学与技术,15卷,不。3、506 - 511年,2014页。视图:谷歌学术搜索
37. 李,h, s . Yu, j。j哦,“创建一个先进的反向传播神经网络工具箱在GIS软件,”环境地球科学,卷72,不。8,3111 - 3128年,2014页。视图:出版商的网站|谷歌学术搜索
38. z, s .周苏,h .咦,j·王,“估计比较研究区域土壤的空间分布的金属(根)污染根据克里格插值和BP神经网络,”国际环境研究和公共卫生杂志》上,15卷,不。1,ID 34条,2018。视图:谷歌学术搜索
39. d . m - i v . Oseledets,“极端过度拟合点的神经网络,实证研究”通信技术和电子杂志》上,卷64,不。12日,第1534 - 1527页,2019年。视图:出版商的网站|谷歌学术搜索
40. a·o·易卜拉欣,s m . Shamsuddin a . y .萨利赫a·艾哈迈德·m·a·伊斯梅尔和s . Kasim“反向传播神经网络基于局部搜索策略和增强的多目标进化算法对乳腺癌诊断、”国际期刊《先进科学、工程和信息技术,9卷,不。2、609 - 615年,2019页。视图:出版商的网站|谷歌学术搜索
41. 洛杉矶穆罕默德”,突变的影响权重训练反向传播神经网络,”国际电子通信和计算机工程杂志》上,5卷,不。4、779 - 781年,2014页。视图:谷歌学术搜索
42. 美国丁、c·苏和j . Yu”一个基于遗传算法优化BP神经网络算法,”人工智能审查,36卷,不。2、153 - 162年,2011页。视图:出版商的网站|谷歌学术搜索
43. a·巴德“反向传播神经系统的模拟设计的传感器网络由粒子群优化训练,”国际科学和工程研究杂志》上,7卷,不。4、576 - 582年,2016页。视图:谷歌学术搜索
44. t . Liu和美国阴”,一种改进的粒子群优化算法用于BP神经网络和多媒体课程评估,”多媒体工具和应用程序,卷76,不。9日,第11974 - 11961页,2017年。视图:出版商的网站|谷歌学术搜索
45. Aljarah, h·法里斯,s . Mirjalili”使用鲸鱼优化优化神经网络的连接权重算法,”软计算,22卷,不。1、1 - 15,2018页。视图:出版商的网站|谷歌学术搜索
46. d·e·戈德堡遗传算法在搜索优化和机器学习艾迪生韦斯利,卷。8日,波士顿,MA,美国,1989。
47. i c . y . j . Wu Cheng Liu Lee和w·黄,“基于遗传算法优化BP神经网络的能源消耗铜电解沉积,”数学问题在工程卷,2020篇文章ID 1026128, 10页,2020。视图:出版商的网站|谷歌学术搜索
48. y y梁,c . Ren h . Wang黄和z郑”研究土壤水分反演方法基于GA-BP神经网络模型中,“国际遥感杂志》上,40卷,不。5 - 6,2087 - 2103年,2018页。视图:出版商的网站|谷歌学术搜索
49. 王x z . Liu, k . et al .,“GA-BP神经网络预测应变全面静态测试的风力涡轮叶片,”能量,12卷,不。6、文章ID 1026, 2019。视图:出版商的网站|谷歌学术搜索
50. w . y . Peng, k·a·道森et al .,“短期交通量预测使用GA-BP基于小波去噪和相空间重建,”自然史答:统计力学及其应用文章ID 123913卷,549年,2020年。视图:出版商的网站|谷歌学术搜索
51. l . Wang和x Bi知识融合的创新生态系统的风险评估基于GA-BP神经网络,”认知系统研究卷,66年,第210 - 201页,2021年。视图:出版商的网站|谷歌学术搜索
52. m·j·梅恩c·n·威廉姆斯,b·e·格里森j·j·兰尼和j·h·Lawrimore”全球历史气候学网络月度温度数据集,版本4,“杂志的气候没有,卷。31日。24日,第9854 - 9835页,2018年。视图:出版商的网站|谷歌学术搜索
53. h .飞达a . Karagiannidis s Keppas et al .,“温度和降水气候数据建模和映射在希腊使用地形和地理参数,“理论与应用气候学,卷118,不。1 - 2、133 - 146年,2014页。视图:出版商的网站|谷歌学术搜索
54. 王y和s .侯”新的南极表面温度插值法”,自然科学进展,19卷,不。12日,第1849 - 1843页,2009年。视图:出版商的网站|谷歌学术搜索
55. n .高山、美国Hayakawa和s . Onomoto“霜冻害预测技术的发展在空气温度使用数字高程模型(DEM)估计,“农业气象学杂志,60卷,不。5,873 - 876年,2016页。视图:谷歌学术搜索
56. 诉Garzon-Machado、r·奥托和m . j . del Arco Aguilar”生物气候和植被的映射应用不同的插值技术,从地形上复杂的海洋岛”国际生物气象学杂志,卷。58岁的没有。5,887 - 899年,2014页。视图:谷歌学术搜索
57. e .π,n . Mantri s . m . Ngai h . Lu和l .杜”拟合temperature-germination模型及其应用的三层预测bermudagrass播种时间和地区,“《公共科学图书馆•综合》,8卷,不。12篇文章ID e82413 2013。视图:出版商的网站|谷歌学术搜索
58. m . Madić和m . Radovanović”方法论发展最佳的切削力预测的三层模型将使用早期停止方法,”呈文数学:机械工程,9卷,不。1,21-32,2011页。视图:谷歌学术搜索
59. 徐,j .王,李问:“基于稀疏的温度空间插值的新方法的历史,”杂志的气候没有,卷。31日。5,1757 - 1770年,2018页。视图:出版商的网站|谷歌学术搜索
60. r·林赛·m·Wensnahan a Schweiger, j .张“七种不同的大气再分析评价产品在北极,”杂志的气候,27卷,不。7,2588 - 2606年,2014页。视图:出版商的网站|谷歌学术搜索
61. m . Gocic和s . Trajkovic”分析使用Mann-Kendall气象变量的变化在塞尔维亚和森的斜率估计量的统计测试,”全球和行星变化卷,100年,第182 - 172页,2013年。视图:出版商的网站|谷歌学术搜索
62. 陈和r .吴”,年代际变化春天的北大西洋海温年际变化之间的关系和欧亚表面空气温度,“杂志的气候,30卷,不。10日,3771 - 3787年,2017页。视图:出版商的网站|谷歌学术搜索
63. 吴r, s .陈“导致坚持表面空气温度异常后从冬天到春天的矮秆、纬度欧亚大陆?”杂志的气候,33卷,不。14日,第5883 - 5861页,2020年。视图:出版商的网站|谷歌学术搜索
64. m . b . Giovinetto n . m .水域和c r·宾利”依赖的南极表面质量平衡温度、海拔高度、距离开放海域,“地球物理研究杂志》,卷95,不。D4, 3517 - 3531年,1990页。视图:出版商的网站|谷歌学术搜索
65. f·s·保罗·h·a·弗里克,l . Padman“从南极冰架正在加速体积损失。”科学,卷348,不。6232年,第331 - 327页,2015年。视图:出版商的网站|谷歌学术搜索
66. 大肠里戈诺特,”东南极洲冰川质量平衡和冰架从卫星数据,”年报的冰川学,34卷,不。1,第227 - 217页,2002。视图:出版商的网站|谷歌学术搜索
67. r·d·j·温厄姆a . j . Ridout Scharroo, r . j . Arthern和c k . Shum“南极高程变化从1992年到1996年,”科学,卷282,不。5388年,第458 - 456页,1998年。视图:出版商的网站|谷歌学术搜索
68. t . a . Scambos r·e·贝尔r . b .巷et al .,“有多少,有多快?:科学审查和研究前景不稳定Thwaites南极洲的冰川在21世纪,”全球和行星变化卷。153年,16-34,2017页。视图:出版商的网站|谷歌学术搜索

版权

版权©2021苗方。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。