人工智能在短临降水预报中应用研究综述
发布时间：2022-02-17 19:00
短临降水预报是一项重要且具有挑战性的世界性难题.研究人员曾尝试使用各种技术预报降水,但是由于降水本身具有高度非线性、随机性和复杂性的特性,使得降水预测精确度并不高.近年来,随着人工智能技术的迅猛发展,其日渐渗透到人们生活的方方面面,气象领域也因此得益.人工神经网络能够对非线性系统进行建模,因此相比于传统方法,如数值天气预报法和光流法等,人工智能方法使得降水预报的准确率大大提高.本文介绍了传统降水预报的方法,着重总结概括了用于短临降水预报的各种最新人工智能方法,并对各研究方向进行归纳分析,为各类研究人员研究提供有益参考和借鉴.
【文章来源】：南京信息工程大学学报(自然科学版). 2020,12(04)
【文章页数】：15 页
【部分图文】：
人工智能、机器学习、深度学习三者关系
Encoding-forecasting Conv LSTM网络[4]
图2 Encoding-forecasting Conv LSTM网络[4]Kim等[65]提出了一种名为DeepRain的数据驱动的降水预测模型，结构如图4所示，该模型使用卷积LSTM(ConvLSTM)利用天气雷达数据来预测降雨量．Shi等[4]使用了三维单通道数据，而Kim等[65]使用ConvLSTM来处理三维(宽、高和深度)四通道(4个不同的海拔)数据．另一点不同之处在于Shi等[4]采用多对多的输出，而Kim等[65]使用多对一的方法．数据集中每行数据由雷达反射率和地面真值组成，雷达反射率为距101 km×101 km地面的4个高度的15个时间间隔(间隔6 min)共101×101×4×15个数字值;地面真值为网格中心50×50范围内1～2h的降雨量．完整的数据集包括在2年期间随机选择的10 000行数据．模型按时间序列依次输入15个三维四通道数据，输出是预测的降雨量信息．实验结果表明，卷积运算可以有效地从数据中提取潜在特征，并可以进行快速训练．与线性回归相比，2层ConvLSTM将RMSE降低了23.0%.
【参考文献】：
期刊论文
[1]气象大数据超短临精准降水机器学习与典型应用[J]. 张晨阳,杨雪冰,张文生. 农业大数据学报. 2019(01)
[2]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)
[3]一种基于深度网络的多环境因素降水量预报模型[J]. 张鹏程,张雷,王继民. 计算机应用与软件. 2017(09)
[4]递归神经网络在降雨量预测中的应用研究[J]. 张帅,魏正英,张育斌. 节水灌溉. 2017(05)
[5]基于神经网络和模型集成的短时降雨预测方法[J]. 郭尚瓒,肖达,袁行远. 气象科技进展. 2017(01)
[6]人工神经网络在短期降水预测方面的应用研究[J]. 张继学,王鹏,张琳,王一. 科技风. 2016(17)
[7]基于径向基神经网络的月降水量预测模型研究[J]. 季刚,姚艳,江双五. 计算机技术与发展. 2013(12)
[8]基于雷达外推临近预报和中尺度数值预报融合技术的短时定量降水预报试验[J]. 程丛兰,陈明轩,王建捷,高峰,杨汉贤. 气象学报. 2013(03)
[9]BP神经网络在多普勒雷达降水量的估测中的应用[J]. 邵月红,张万昌,刘永和,孙成武,傅成玉. 高原气象. 2009(04)
[10]马尔可夫链预测方法的统计试验研究[J]. 夏乐天,朱元甡. 水利学报. 2007(S1)
硕士论文
[1]基于卫星遥感图像的降水云团跟踪技术研究[D]. 张蓉.南京信息工程大学 2013
本文编号：3629940
【文章来源】：南京信息工程大学学报(自然科学版). 2020,12(04)
【文章页数】：15 页
【部分图文】：
人工智能、机器学习、深度学习三者关系
Encoding-forecasting Conv LSTM网络[4]
图2 Encoding-forecasting Conv LSTM网络[4]Kim等[65]提出了一种名为DeepRain的数据驱动的降水预测模型，结构如图4所示，该模型使用卷积LSTM(ConvLSTM)利用天气雷达数据来预测降雨量．Shi等[4]使用了三维单通道数据，而Kim等[65]使用ConvLSTM来处理三维(宽、高和深度)四通道(4个不同的海拔)数据．另一点不同之处在于Shi等[4]采用多对多的输出，而Kim等[65]使用多对一的方法．数据集中每行数据由雷达反射率和地面真值组成，雷达反射率为距101 km×101 km地面的4个高度的15个时间间隔(间隔6 min)共101×101×4×15个数字值;地面真值为网格中心50×50范围内1～2h的降雨量．完整的数据集包括在2年期间随机选择的10 000行数据．模型按时间序列依次输入15个三维四通道数据，输出是预测的降雨量信息．实验结果表明，卷积运算可以有效地从数据中提取潜在特征，并可以进行快速训练．与线性回归相比，2层ConvLSTM将RMSE降低了23.0%.
【参考文献】：
期刊论文
[1]气象大数据超短临精准降水机器学习与典型应用[J]. 张晨阳,杨雪冰,张文生. 农业大数据学报. 2019(01)
[2]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)
[3]一种基于深度网络的多环境因素降水量预报模型[J]. 张鹏程,张雷,王继民. 计算机应用与软件. 2017(09)
[4]递归神经网络在降雨量预测中的应用研究[J]. 张帅,魏正英,张育斌. 节水灌溉. 2017(05)
[5]基于神经网络和模型集成的短时降雨预测方法[J]. 郭尚瓒,肖达,袁行远. 气象科技进展. 2017(01)
[6]人工神经网络在短期降水预测方面的应用研究[J]. 张继学,王鹏,张琳,王一. 科技风. 2016(17)
[7]基于径向基神经网络的月降水量预测模型研究[J]. 季刚,姚艳,江双五. 计算机技术与发展. 2013(12)
[8]基于雷达外推临近预报和中尺度数值预报融合技术的短时定量降水预报试验[J]. 程丛兰,陈明轩,王建捷,高峰,杨汉贤. 气象学报. 2013(03)
[9]BP神经网络在多普勒雷达降水量的估测中的应用[J]. 邵月红,张万昌,刘永和,孙成武,傅成玉. 高原气象. 2009(04)
[10]马尔可夫链预测方法的统计试验研究[J]. 夏乐天,朱元甡. 水利学报. 2007(S1)
硕士论文
[1]基于卫星遥感图像的降水云团跟踪技术研究[D]. 张蓉.南京信息工程大学 2013
本文编号：3629940
本文链接：https://www.wllwen.com/projectlw/qxxlw/3629940.html
