Коррекция вертикальных профилей температуры реанализа ERA5 методами машинного обучения на основе данных температурного профилемера

ERA5 – представляет собой пятое поколение наборов данных глобального реанализа, выпущенных Европейским центром среднесрочных прогнозов погоды. Этот набор данных объединяет различные источники данных наблюдений, в том числе измерения на месте, наблюдения с воздуха и спутниковое дистанционное зондирование, а также передовые продукты численного прогнозирования погоды, полученные с помощью методов ассимиляции [1]. Зачастую ERA5 является важным источником однородных по пространству и времени данных [2,3,4].
Несмотря на тщательную проверку применимости различных параметров ERA5 в разных регионах и пространственно-временных масштабах [5,6,7], использование ERA5 в районах со сложным рельефом сопряжено с дополнительными трудностями. В километровом масштабе возможности ERA5, чье пространственное разрешение составляет около 30 км, без дополнительной коррекции не позволяют с достаточной степенью достоверности отобразить сложные физические процессы и динамику атмосферных характеристик [8,9,10,11].
В данной работе предпринята попытка коррекции профилей температуры ERA5 в нижнем километровом слое с применением методов машинного обучения. В качестве опорных данных были использованы результаты измерений микроволнового профилемера МТП-5 на ст. Листвянка (побережье Южного Байкала) за период с ноября 2023 г. по февраль 2025 г. Для каждого высотного уровня оценивалась смещение (разность температур МТП-5 и ERA5). Для коррекции данных ERA5 были использованы метод случайного леса (Random Forest, RF) [12] и градиентного бустинга (XGBoost) [13], реализованные в Python 3.13, в виде пакетов scikit-learn 1.9, XGBoost 3.4. В качестве входных параметров использовались профили T и ветра 1000–700 гПа, приземные величины T, ветра, облачность, высота пограничного слоя, потоки тепла, снег и лёд, их средние за 6 и 24 ч. Качество коррекции оценивалось по коэффициенту детерминации (R²), средней абсолютной ошибке (MAE) и смещению.
Для всего ряда значений температуры R² составляет 0,95 у поверхности и 0,98 на высотах от 300 до 1000 м, но эта согласованность создаётся главным образом годовым ходом. Внутри отдельных месяцев R² у поверхности снижается до 0,60 (январь 2024 г.) и до 0,28 (июль 2024 г.), тогда как в ноябре остаётся на уровне 0,93. При этом ERA5 систематически завышает температуру. Наименьшее смещение отмечается на высоте 200 м (+0,9 °C), близкой к поверхности 925 гПа. Наибольшее (+1,9 °C) на высоте 600 м (875 гПа). MAE у поверхности составляет 2,2 °C, на высоте 300 м уменьшается до 1,6 °C и на высоте 600 м вновь достигает 2,3 °C. После коррекции смещение не превышает 0,04 °C, MAE уменьшается до 1,6 °C у поверхности, 1,3 °C на высоте 200 м и до 1,0 °C выше 400 м. Параллельное применение двух моделей (RF и XGBoost) показало, что разница между скорректированными данными не превышает 0,05 °C. Предикторами, внесшими наибольший вклад, оказались скорость и вертикальный сдвиг ветра.
Работа выполнена при поддержке гранта Российского научного фонда № 26-77-00044 «Разработка методов экологического районирования городов Иркутской агломерации по данным всесезонного мобильного мониторинга содержания аэрозольно-газовых примесей и ртути в атмосфере».