基于观测和再分析数据的LSTM深度神经网络沿海风速预报应用研究

发布时间：2022-01-24 07:38

　　基于海洋气象历史观测资料和再分析数据等,利用LSTM深度神经网络方法,开展在有监督学习情况下的海面风场短时预报应用研究。以中国近海5个代表站为研究区域,通过气象台站观测数据和ERA-Interim 6 h再分析数据构建数据集。选取21个变量作为预报因子,分别构建两个LSTM深度神经网络框架（OBS_LSTM和ALL_LSTM）。经与2017年WRF模式6 h预报结果对比分析,得出如下结论:构建的两个LSTM风速预报模型可以大幅降低风速预报误差,RMSE分别降低了41.3%和38.8%,MAE平均降低了43.0%和40.0%;风速误差统计和极端大风分析发现,LSTM模型能够抓住地形、短时大风和台风等敏感信息,对于大风过程预报结果明显优于WRF模式;两种LSTM模型对比发现,ALL_LSTM模型风速预报误差最小,具有很好的稳定性和鲁棒性,OBS_LSTM模型应用范围更广泛。 

【文章来源】：海洋学报. 2020,42(01)北大核心CSCD

【文章页数】：11 页

【参考文献】：
期刊论文
[1]中国近海海上溢油一体化预测预警系统研究——系统介绍[J]. 李欢,王国松,李文善,李程,潘嵩,高通,张增健,董军兴.  海洋信息. 2018(04)
[2]中国沿海海表温度均一性检验和订正[J]. 李琰,王国松,范文静,刘克修,王慧,Birger Tinz,Hans von Storch,冯建龙.  海洋学报. 2018(01)
[3]黄海海雾WRF数值模拟中垂直分辨率的敏感性研究[J]. 杨悦,高山红.  气象学报. 2016(06)
[4]基于CFD技术的陡峭山体风场模拟方法研究[J]. 李磊,张立杰,陈柏纬.  气象学报. 2016(04)
[5]马航MH370残骸漂移轨迹分析和预测[J]. 高佳,牟林,王国松,李程,董军兴,鲍献文,李欢,宋军.  科学通报. 2016(21)
[6]全球海洋预报与科学大数据[J]. 王辉,刘娜,逄仁波,孙晓宇.  科学通报. 2015(Z1)
[7]近10年中国现代天气预报的发展与应用[J]. 李泽椿,毕宝贵,金荣花,徐枝芳,薛峰.  气象学报. 2014(06)
[8]高分辨率合成孔径雷达卫星反演风场资料在中国近海风能资源评估中的应用研究[J]. 常蕊,朱蓉,周荣卫,叶冬,张晓伟,Merete Badger,Charlotte Bay Hasager.  气象学报. 2014(03)
[9]我国近海风能资源分布特征分析[J]. 王国松,高山红,吴彬贵,侯敏,解以扬.  海洋科学进展. 2014(01)
[10]利用循环3DVAR改进黄海海雾数值模拟初始场Ⅰ:WRF数值试验[J]. 高山红,齐伊玲,张守宝,傅刚.  中国海洋大学学报(自然科学版). 2010(10)



本文编号：3606158