| 基于深度LSTM神经网络的大气可降水量估算模型 |
| |
| 引用本文： | 罗宇,罗林艳,范嘉智,段思汝,高文娟.基于深度LSTM神经网络的大气可降水量估算模型[J].湖北农业科学,2020,59(2):161-165. |
| |
| 作者姓名： | 罗宇 罗林艳 范嘉智 段思汝 高文娟 |
| |
| 作者单位： | 中国气象局气象干部培训学院湖南分院,长沙 410125,湖南省气象信息中心,长沙 410118,中国气象局气象干部培训学院湖南分院,长沙 410125,中国气象局气象干部培训学院湖南分院,长沙 410125,中国气象局气象干部培训学院湖南分院,长沙 410125 |
| |
| 基金项目： | 湖南省气象局面上科研项目 |
| |
| 摘 要： | 基于深度长短期记忆(LSTM)神经网络,分别利用地面气象多要素(气温、气压、露点温度、相对湿度、水汽压、小时降水量)和单要素(水汽压)建立怀化地区GPS大气可降水量估算模型LSTM_5和LSTM_1,并对模型精度进行分析。结果表明,利用地面气象要素建立的2种大气可降水量深度LSTM模型有较好的估算精度,决定系数均大于0.94,均方根误差均值小于1.158 1 mm,平均绝对误差均值小于0.709 9 mm,平均绝对百分比误差均值小于4.54%,较基于水汽压的可降水量线性拟合或二次多项式拟合模型的估算精度提升了70%以上,且LSTM_1模型精度略优于LSTM_5模型;模型估算精度与大气可降水量条件相关,当可降水量较低或较高时,模型估算结果更为理想;同时模型估算精度与观测站海拔呈现正相关,观测站海拔越高LSTM模型精度越高。
|
| 关 键 词： | LSTM GPS/MET 大气可降水量 估算模型 怀化地区 |
Estimation model of precipitable water vapor based on deep LSTM neural network |
| |
| LUO Yu,LUO Lin-yan,FAN Jia-zhi,DUAN Si-ru,GAO Wen-juan.Estimation model of precipitable water vapor based on deep LSTM neural network[J].Hubei Agricultural Sciences,2020,59(2):161-165. |
| |
| Authors: | LUO Yu LUO Lin-yan FAN Jia-zhi DUAN Si-ru GAO Wen-juan |
| |
| Abstract: | |
| |
| Keywords: | |
| 本文献已被 CNKI 万方数据 等数据库收录！ |
|
