为了利用大气可降水量(Precipitable Water Vapor,PWV)预报降雨,针对PWV在降雨过程中处于动态变化的现象,提出使用长短期记忆神经网络(LSTM)构建基于时序数据的多气象参数短临降雨预报模型。实验表明,当设置预报时间在1~6 h的情况下,模...为了利用大气可降水量(Precipitable Water Vapor,PWV)预报降雨,针对PWV在降雨过程中处于动态变化的现象,提出使用长短期记忆神经网络(LSTM)构建基于时序数据的多气象参数短临降雨预报模型。实验表明,当设置预报时间在1~6 h的情况下,模型短临预报降雨的整体性能优于其他时间尺度的预报,能预报目标区域约47%的降雨,模型的准确率为66%,略优于传统PWV分析方法;误报率为8%,优于传统PWV分析的预报方法。展开更多
文摘针对降雨过程中大气可降水量(PWV)和气象参数(温度(T)、湿度(U)、露点温度(T_(d))、气压(P))特征变化情况,提出基于机器学习算法的短临降雨预报模型.以北京(BJFS)站和武汉(WUH2)站2020年的3 h天顶对流层延迟(ZTD)和气象数据为例,构建随机森林(RF)、支持向量机(SVM)、K近邻(KNN)、朴素贝叶斯分类器(NBC) 4种算法的预报模型,并引入各自时刻的降雨情况作为新的特征向量,分别采用70%和80%训练集的分割方式,降雨情况作为模型输出,并利用准确性、精确率和假负率评价模型的适用性.在取得准确性约0.92,精确率约80%,假负率约20%的结果下,进一步以时间序列年积日为第150—200天的数据为样本,对200—250天的降雨情况进行预报.实验结果表明:基于机器学习的短临降雨预报模型可以预报未来3 h 80%以上的降雨情况,且假负率在20%以下,其中SVM模型的综合性能更优.与传统的阈值模型相比,准确率相当,假负率降低约50%.
文摘为了利用大气可降水量(Precipitable Water Vapor,PWV)预报降雨,针对PWV在降雨过程中处于动态变化的现象,提出使用长短期记忆神经网络(LSTM)构建基于时序数据的多气象参数短临降雨预报模型。实验表明,当设置预报时间在1~6 h的情况下,模型短临预报降雨的整体性能优于其他时间尺度的预报,能预报目标区域约47%的降雨,模型的准确率为66%,略优于传统PWV分析方法;误报率为8%,优于传统PWV分析的预报方法。