基于机器学习的短时风场预报与订正研究
发布时间：2021-12-22 07:42
风场的准确预报是现代精细化天气预报业务的重要环节。风场变化会直接或间接地影响人们的生产和生活,特别是对于机场飞行活动的影响最为明显。当机场风场发生变化后,不仅会影响到飞行活动的效率,甚至对飞行活动的安全存在一定的威胁,因此在机场天气的风场预报中,对区域内风场预报的准确率和时间精度要求较高。近年来,国内外学者致力于提高风场预报准确率的方法研究,并取得了较大的进展,但风场短临预报的效果仍无法满足航空航天等气象业务的需求。本文以甘肃省为研究区域,通过对甘肃省各站点历年风场资料的统计,对风场的时空分布特征进行了简要分析,探究了甘肃省风场变化的特征;利用历史地面实况观测数据对欧洲中期天气预报中心（ECMWF）发布的数值模式预报产品的风场数据进行检验,基于此并结合机场预报对风预报的特殊要求,提出了一种集成了风向和风速的风场预报准确率（AInt）检验方法,以此检验了ECMWF数值模式的风场预报准确率;在此基础上,利用机器学习中的随机森林（RF）算法和长短期记忆网络（LSTM）算法,开展了风场的短临预报和ECMWF模式风场预报的订正研究,建立了随机森林风场短临预报模型和基于随机森...
【文章来源】：兰州大学甘肃省 211工程院校 985工程院校 教育部直属院校
【文章页数】：89 页
【学位级别】：硕士
【部分图文】：
研究区域和站点分布
兰州大学硕士学位论文基于机器学习的短时风场预报与订正研究10图2-2RNN结构示意图[77]RNN计算公式可表示如下[78]：=()（2-4）=(+1)（2-5）其中，g和f分别为激活函数。将公式（2-5）向公式（2-4）中反复迭代，得到公式：=V(+(1+(2+(3+)))（2-6）从公式（2-6）可以看出，、1、2…对于的结果都有影响，这也正好体现了RNN算法对于历史时刻信息的记忆，而这一记忆主要是依靠记忆单元s来完成的。（2）长短期记忆网络算法的基本原理RNN可以把前面的信息与当前任务连接起来，当相关信息和预测信息之间的间隔非常小时，RNN有较强的预测能力，随着间隔不断的变大，RNN就会失去学习连接较远的信息的能力。长短期记忆网络（LSTM）是在RNN的基础上增加了门结构[79]，是为了解决RNN算法在训练过程中存在的梯度爆炸和梯度消失[80]问题而设计的，较好的解决了RNN算法在处理长时间序列时的记忆问题，即长期依赖问题。如图2-3所示，首先输入值和1，神经网络δ通过结果来决定1中的信息被“完全保留”或“完全遗忘”，即遗忘门，之后通过tanh层生成新的候选值，和神经网络的结果被增加到神经元状态中，即输入门，最后神经网络结果通过tanh层输出，通过上述三次更新神经网络状态，得到最终的值，即输出门[81]。LSTM算法因其独特的门结构，遗忘门舍弃或保留t-1时刻的神经网络状态1中的信息，并通过输入门学习t时刻数据新的信息，最后通过输出门更新t时刻的神经网络状态，因此LSTM能够较好的学习长时间序列中的信息，较完
兰州大学硕士学位论文基于机器学习的短时风场预报与订正研究11美的解决了长期依赖问题。图2-3LSTM结构示意图[82]2.3.3插值方法（1）Linear（双线性插值）方法[83]。双线性插值，顾名思义在x方向进行一次差值，同样在y方向也进行一次插值，对于经纬度为（x，y）的站点P，其值为(P)未知，需要先找到与P点临近的四个点：11=(1，1)，12=(1，2)，21=(2，1)，22=(2，2)。首先在x方向进行插值(，1)≈221(11)+121(21)（2-7）(，2)≈221(12)+121(22)（2-8）然后进行y方向的插值(P)≈221(，1)+121(，2)（2-9）即得到站点P的值(，)。（2）Spline（三次样条插值）方法[84]。三次样条插值是通过求解光滑曲线的函数组来实现的，在Matlab中默认的边界条件为非扭结边界条件（两端点的（a）（b）（c）（d）
本文编号：3546023
【文章来源】：兰州大学甘肃省 211工程院校 985工程院校 教育部直属院校
【文章页数】：89 页
【学位级别】：硕士
【部分图文】：
研究区域和站点分布
兰州大学硕士学位论文基于机器学习的短时风场预报与订正研究10图2-2RNN结构示意图[77]RNN计算公式可表示如下[78]：=()（2-4）=(+1)（2-5）其中，g和f分别为激活函数。将公式（2-5）向公式（2-4）中反复迭代，得到公式：=V(+(1+(2+(3+)))（2-6）从公式（2-6）可以看出，、1、2…对于的结果都有影响，这也正好体现了RNN算法对于历史时刻信息的记忆，而这一记忆主要是依靠记忆单元s来完成的。（2）长短期记忆网络算法的基本原理RNN可以把前面的信息与当前任务连接起来，当相关信息和预测信息之间的间隔非常小时，RNN有较强的预测能力，随着间隔不断的变大，RNN就会失去学习连接较远的信息的能力。长短期记忆网络（LSTM）是在RNN的基础上增加了门结构[79]，是为了解决RNN算法在训练过程中存在的梯度爆炸和梯度消失[80]问题而设计的，较好的解决了RNN算法在处理长时间序列时的记忆问题，即长期依赖问题。如图2-3所示，首先输入值和1，神经网络δ通过结果来决定1中的信息被“完全保留”或“完全遗忘”，即遗忘门，之后通过tanh层生成新的候选值，和神经网络的结果被增加到神经元状态中，即输入门，最后神经网络结果通过tanh层输出，通过上述三次更新神经网络状态，得到最终的值，即输出门[81]。LSTM算法因其独特的门结构，遗忘门舍弃或保留t-1时刻的神经网络状态1中的信息，并通过输入门学习t时刻数据新的信息，最后通过输出门更新t时刻的神经网络状态，因此LSTM能够较好的学习长时间序列中的信息，较完
兰州大学硕士学位论文基于机器学习的短时风场预报与订正研究11美的解决了长期依赖问题。图2-3LSTM结构示意图[82]2.3.3插值方法（1）Linear（双线性插值）方法[83]。双线性插值，顾名思义在x方向进行一次差值，同样在y方向也进行一次插值，对于经纬度为（x，y）的站点P，其值为(P)未知，需要先找到与P点临近的四个点：11=(1，1)，12=(1，2)，21=(2，1)，22=(2，2)。首先在x方向进行插值(，1)≈221(11)+121(21)（2-7）(，2)≈221(12)+121(22)（2-8）然后进行y方向的插值(P)≈221(，1)+121(，2)（2-9）即得到站点P的值(，)。（2）Spline（三次样条插值）方法[84]。三次样条插值是通过求解光滑曲线的函数组来实现的，在Matlab中默认的边界条件为非扭结边界条件（两端点的（a）（b）（c）（d）
本文编号：3546023
本文链接：https://www.wllwen.com/shoufeilunwen/benkebiyelunwen/3546023.html
