【摘要】：在各種天氣事件中,降雨對人類的生活起著至關(guān)重要的作用。及時準確地對惡劣天氣進行預(yù)估,可以減少自然災(zāi)害的發(fā)生。同時,提前預(yù)報降雨信息,可以減少降雨對人們生活的影響。然而,降雨預(yù)測是一個十分困難的任務(wù),傳統(tǒng)的基于光流法和Z-I關(guān)系的降雨量預(yù)估方案很容易受到探測條件的影響,而且對于不同的區(qū)域,需要設(shè)計不同的預(yù)估方案,通用性不高。因此,設(shè)計一個準確度高且通用性強的降雨預(yù)測方案具有十分重要的意義。本文在研究了現(xiàn)有的降雨預(yù)測方法之后,提出了一種基于卷積長短時記憶網(wǎng)絡(luò)(卷積LSTM)和隨機森林的短時降雨量預(yù)測方法,通過歷史不同區(qū)域多個時刻多個高度的多普勒雷達圖預(yù)測未來1-2個小時的降雨量。本文使用卷積LSTM模型進行雷達圖外推可以提高預(yù)測的準確度,使用隨機森林算法進行集成學(xué)習(xí)可以提高模型的泛化能力,通用性更強。主要的研究工作如下:首先,本文的任務(wù)是預(yù)測未來1-2個小時的降雨量,但多普勒雷達探測到的是歷史時間序列的雷達圖,無法直接用于預(yù)測未來時間段的降雨量,因此本文使用基于編碼-解碼的卷積LSTM網(wǎng)絡(luò)預(yù)測未來1-2個小時的雷達圖,卷積LSTM在傳統(tǒng)LSTM網(wǎng)絡(luò)的基礎(chǔ)上將每一個全連接操作改為卷積操作,保留了雷達圖像的時空特性,大大地提高了外推結(jié)果的準確性;其次,經(jīng)過卷積LSTM外推得到的雷達圖具有40萬維的特征,包含很多冗余特征,且特征維度太高,造成內(nèi)存爆炸,無法進行計算。因此,本文提出了一種分層級特征提取方法,首先使用主成分分析方法(PCA)對每張雷達圖分別降維,其次將各個時刻各個高度降維后的雷達圖進行拼接得到最終結(jié)果,這樣設(shè)計不僅能夠解決PCA對高維雷達圖進行特征提取時內(nèi)存爆炸的問題,而且可以保留雷達圖總的時序信息及高度信息;最后,在降雨量預(yù)測階段,為了提高模型的泛化能力,本文利用隨機森林的特性,將經(jīng)過雷達圖外推和PCA降維后的特征作為輸入特征,每次隨機選取部分特征構(gòu)造決策樹,并通過多棵決策樹進行集成學(xué)習(xí),并使用學(xué)習(xí)后的模型預(yù)測未來1-2個小時的降雨量。本文將提出的模型與Z-I關(guān)系,支持向量回歸,xgboost等算法進行對比,實驗表明:(1)使用卷積LSTM模型進行雷達圖外推能夠給降雨量預(yù)測任務(wù)帶來比較大的性能提升;(2)在命中率,漏報率,臨界成功指數(shù),均方根誤差等指標上,本文提出的模型都獲得了最好的效果,特別是在強降雨階段,效果提升更加明顯,部分指標提升比例在20%以上。
【學(xué)位授予單位】：廣東工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP18;TN957.52;P457.6
【圖文】：

圖 2-1 單個樣本的所有雷達圖信息Fig. 2-1All radar maps for a sample更清晰地了解樣本數(shù)據(jù)，按高度和時間分別畫出其變化趨勢。圖 2-2 表示1 個時刻 4 個高度下的雷達圖，高度從左到右分別是 0.5km，1.5km，2.5通過這張圖，可以發(fā)現(xiàn)，第一個高度的雷達圖與其它高度相比明顯不同，區(qū)域，這部分是因為缺失值導(dǎo)致的。雷達是通過一個圓錐體向上散射的，離雷達太近，沒辦法覆蓋到101 101平方公里的區(qū)域，所以圓弧外部分的采集到，并因此造成缺失值。圖 2-2 單個樣本第 1 個時刻 4 個高度的雷達圖信息

表示某個

【相似文獻】

相關(guān)期刊論文 前10條

1 劉文博;梁盛楠;秦喜文;董小剛;王純杰;;基于迭代隨機森林算法的糖尿病預(yù)測[J];長春工業(yè)大學(xué)學(xué)報;2019年06期

2 沈智勇;蘇

本文編號：2713483