基于机器学习的多源气象数据观测与研究

发布时间：2021-08-06 05:07

　　短期强降雨不仅会导致农业生产受损,还可能严重威胁国民的正常社会经济生活。因此,深入研究短临降水预测利国利民。本文致力于将机器学习方法应用到短时降水预测中,针对地面气象观测数据和雷达气象观测数据分别展开了两项降水预测研究。在基于地面观测资料的降水预测研究中,针对传统k最近邻算法处理多维数据分类时,没有考虑不同属性对分类结果的影响程度存在相异性这一问题,提出一种基于属性重要度的k最近邻算法。将大气压强、风向、风速、大气温度和相对湿度作为样本属性,将降水量作为类标签,利用属性空间上同类数据分布的内聚性和异类数据的耦合性确定样本属性的权重,通过属性加权欧氏距离进行近邻搜索,从而实现最优分类。实验结果表明,新的降水预报方法在性能指标上表现更优:不仅提高了降水预报结果的准确率、TS评分和正样本概括率,还降低了降水预测的标准误差与漏报率。在基于雷达观测资料的降水预测研究中,针对目前国内外大部分雷达降水预测模型预测精度和泛化能力不足的现状,本文将卷积神经网络的图像特征学习优势和循环神经网络的时序特征学习优势结合起来,设计并构建了两种降水预测模型——基于三维卷积双向长短期记忆网络（Conv3D-Bi L... 

【文章来源】：南京信息工程大学江苏省

【文章页数】：61 页

【学位级别】：硕士

【部分图文】：

灰色关联分析的计算流程图

第二章基础理论和相关技术92.2雷达降水预测的理论基础2.2.1循环神经网络当输入数据在序列中隐含有时间信息，普通的神经网络将无法解决其中的时间依赖性，此时需要引入循环神经网络（RecurrentNeuralNetwork,RNN）。RNN是一种主要针对时间序列数据建模的深度神经网络[38]。与传统神经网络一样，RNN的基本结构可以分为输入层、隐藏层以及输出层，RNN的典型网络结构如图2-2所示。由图2-2可知，相较于传统神经网络，RNN在隐藏层中增加了一个基于信号反馈的循环结构。通过利用信号反馈结构，RNN可以将上一时刻的输出信息作为模型记忆，再次输入到模型中，并对模型当前时刻的输出结果产生一定程度的影响[39]。换而言之，RNN在当前时刻的输出值不仅取决于当前时刻的输入值，同时也受上一时刻输出值的影响。图2-2典型循环神经网络模型结构图在图2-2中，X和H分别代表了循环神经单元的输入值和输出值；U和V分别代表输入层到隐藏层和隐藏层到输出层的权重矩阵；s代表隐藏层的值，也常被称为隐藏状态；W则代表隐藏层的权重矩阵，它可以将上一时刻输出值转换成为当前时刻输入。RNN在当前时刻的输入由两部分组成：输入层传递过来的当前时刻输入值以及隐藏层中循环结构传递过来的上一时刻的隐藏状态[40]。因此，RNN可以视为一个普通神经网络沿时序方向复制多次并连接在一起的结果。为了更好地理解RNN的工作原理，我们将RNN的结构图按照时间方向展开，得到的结果如图2-3所示。图2-3循环神经网络的时序展开示意图

第二章基础理论和相关技术92.2雷达降水预测的理论基础2.2.1循环神经网络当输入数据在序列中隐含有时间信息，普通的神经网络将无法解决其中的时间依赖性，此时需要引入循环神经网络（RecurrentNeuralNetwork,RNN）。RNN是一种主要针对时间序列数据建模的深度神经网络[38]。与传统神经网络一样，RNN的基本结构可以分为输入层、隐藏层以及输出层，RNN的典型网络结构如图2-2所示。由图2-2可知，相较于传统神经网络，RNN在隐藏层中增加了一个基于信号反馈的循环结构。通过利用信号反馈结构，RNN可以将上一时刻的输出信息作为模型记忆，再次输入到模型中，并对模型当前时刻的输出结果产生一定程度的影响[39]。换而言之，RNN在当前时刻的输出值不仅取决于当前时刻的输入值，同时也受上一时刻输出值的影响。图2-2典型循环神经网络模型结构图在图2-2中，X和H分别代表了循环神经单元的输入值和输出值；U和V分别代表输入层到隐藏层和隐藏层到输出层的权重矩阵；s代表隐藏层的值，也常被称为隐藏状态；W则代表隐藏层的权重矩阵，它可以将上一时刻输出值转换成为当前时刻输入。RNN在当前时刻的输入由两部分组成：输入层传递过来的当前时刻输入值以及隐藏层中循环结构传递过来的上一时刻的隐藏状态[40]。因此，RNN可以视为一个普通神经网络沿时序方向复制多次并连接在一起的结果。为了更好地理解RNN的工作原理，我们将RNN的结构图按照时间方向展开，得到的结果如图2-3所示。图2-3循环神经网络的时序展开示意图

【参考文献】：
期刊论文
[1]BRR-SVR月降水量预测优化模型[J]. 贺玉琪,王栋,王远坤.  水利学报. 2019(12)
[2]降水临近预报及其在水文预报中的应用研究进展[J]. 刘佳,邱庆泰,李传哲,焦裕飞,王维,于福亮.  水科学进展. 2020(01)
[3]我国气象大数据的发展趋势研究[J]. 刘喆玥.  电脑知识与技术. 2019(21)
[4]短临降水预报方法及其应用研究综述[J]. 王婷,刘云鹏,董晨,李瑾.  电子世界. 2019(10)
[5]循环神经网络在雷达临近预报中的应用[J]. 韩丰,龙明盛,李月安,薛峰,王建民.  应用气象学报. 2019(01)
[6]基于雷达回波区域跟踪算法的临近预报技术进展[J]. 吴剑坤,陈明轩.  气象科技. 2018(05)
[7]雷达回波外推方法在临近降雨预报中的应用[J]. 张卫国,范仲丽,钟伟,江雨田,孙飞飞,陈娟.  中国农村水利水电. 2018(09)
[8]一种新的基于伪最近邻算法的降水预报方法[J]. 黄明明,林润生,黄帅,邢腾飞.  科学技术与工程. 2018(17)
[9]基于卷积神经网络的雷达回波外推方法[J]. 施恩,李骞,顾大权,赵章明.  计算机应用. 2018(03)
[10]基于距离权值的C4.5组合决策树算法[J]. 杜景林,严蔚岚.  计算机工程与设计. 2018(01)

博士论文
[1]多源降雨观测与融合及其在长江流域的水文应用[D]. 李哲.清华大学 2015



本文编号：3325129