1 高精度区域时空建模
中高层大气区域风场的精细化建模与快速预测一直以来是一个难题。我们设计了一种深度算子方法很好的解决了这个问题。我们将数据同化的思想和深度学习方法结合，设计了适用于临近空间的区域风场算子。该风场算子模型在30km高度的区域纬向/经向风的年RMSE分别是0.903m/s和0.881m/s，其精度是基准模型ConvLSTM的3倍。而且，我们又验证了区域风场算子在20/30/40/50km高度的稀疏化时空建模方法。结果表明，稀疏化神经算子新方法具有很好的灵活性，可以一次性实现不同时空分辨率下的不同高度、任意位置的高精度建模，为临近空间的精细化区域建模与快速利用奠定了基础。
2 大气廓线精细化时空建模
单站大气温度廓线的有效预报为临近空间航天器的结构设计和飞行任务提供了必要的支撑。然而，经验模式和参考大气模式大多是计算大气廓线的平均状态。为了提高中长期预报的精度，数值同化模式需要大量的计算费用。如何以较低的成本精确地预测临近空间的短期温度廓线仍然是一个挑战。我们通过融合长短时记忆（LSTM）网络及其变体——双向LSTM（BiLSTM），利用时间序列依赖关系和深度算子网络（DeepONets）逼近温度廓线解算子的能力，提出了一种用于平流层精细化建模的温度廓线算子方法。它由三个子网络组成，第一个子网络用来逼近离散的温度廓线函数，第二个子网络用来表示算子输出域定义的气压层高度的空间信息，第三个子网络用来编码温度廓线算子的时域。我们首先使用ERA5在20-50km高度的低纬度逐时温度数据，用于未来48小时的训练、验证和迭代测试。结果表明，温度廓线算子网络具有低累积误差、泛化误差稳定的特点，基于BiLSTM神经算子的泛化性能显著优于其他模型。而且，我们还扩展了两个场景来检验高纬度温度廓线算子和中纬度风廓线算子在平流层中的适用性。实验结果同样显示了不同场景的精细化建模潜力。这项工作为我们研究中高层大气廓线的精细化建模提供了一个新的视角，可以用于构建区域的单站参考大气模型。

临近空间,大气建模,神经算子,短期,高精度