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。
