地面氣溫是人們?nèi)粘Ｉ钭铌P(guān)注的氣象要素之一,對農(nóng)業(yè)、工業(yè)、服務(wù)業(yè)等領(lǐng)域產(chǎn)生重要的影響。為了提高現(xiàn)有日常預(yù)報業(yè)務(wù)中模式預(yù)報溫度的準(zhǔn)確率,我們基于歐洲中期天氣預(yù)報中心(ECMWF)的經(jīng)度為120～130°E,緯度為20～40°N的溫度集合控制預(yù)報歷史資料以及華東地區(qū)實況站點溫度資料對模式預(yù)報溫度進(jìn)行訂正。主要包括以下三個方面的研究工作:(1)分析和處理實驗數(shù)據(jù)。在本文中利用均方根誤差,絕對誤差和溫度預(yù)報準(zhǔn)確率構(gòu)造的綜合評價指標(biāo)對插值性能進(jìn)行評價,最終采用克里金插值法將模式預(yù)報數(shù)據(jù)與實際站點溫度進(jìn)行空間上的對應(yīng),然后采用小提琴圖對插值后的數(shù)據(jù)進(jìn)行異常值分析并清洗,得到可靠的實驗數(shù)據(jù)。接著為了充分挖掘模式預(yù)報數(shù)據(jù)與實際溫度之間潛在關(guān)系,將最高溫和最低溫相關(guān)模式預(yù)報特征分別進(jìn)行多項式擴充構(gòu)造后續(xù)溫度訂正建模的輸入特征;(2)基于傳統(tǒng)機器學(xué)習(xí)的多氣象因子模式預(yù)報溫度訂正模型。在第一步多項式特征擴充的基礎(chǔ)上,針對最高溫和最低溫分別采用線性回歸,支持向量機,決策樹和隨機森林分別建立溫度訂正模型。根據(jù)不同相關(guān)系數(shù)的設(shè)置對二、三、四次多項式擴充后的數(shù)據(jù)進(jìn)行篩選,分別選取二次擴充后與實際溫度相關(guān)性在0.2～...

【文章頁數(shù)】：62 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 模式預(yù)報介紹
    1.2 機器學(xué)習(xí)方法研究
    1.3 模式預(yù)報溫度訂正國內(nèi)外研究現(xiàn)狀
    1.4 論文的主要思路和章節(jié)安排
2 實驗數(shù)據(jù)處理
    2.1 實驗數(shù)據(jù)介紹
    2.2 模式數(shù)據(jù)與實況數(shù)據(jù)對應(yīng)
        2.2.1 數(shù)據(jù)時間對應(yīng)
        2.2.2 數(shù)據(jù)空間對應(yīng)
    2.3 實驗數(shù)據(jù)異常值處理
    2.4 多項式特征擴充
    2.5 本章小結(jié)
3 基于機器學(xué)習(xí)的多氣象因子模式預(yù)報溫度訂正模型
    3.1 基于機器學(xué)習(xí)的多氣象因子模式預(yù)報溫度訂正模型的建立
    3.2 線性回歸溫度訂正模型
    3.3 基于SVM的溫度訂正模型
    3.4 決策樹溫度訂正模型
    3.5 基于隨機森林的溫度訂正模型
    3.6 實驗結(jié)果
        3.6.1 特征擴充前機器學(xué)習(xí)各方法對比
        3.6.2 最低溫數(shù)據(jù)多項式特征擴充后機器學(xué)習(xí)各方法對比
        3.6.3 最高溫數(shù)據(jù)多項式特征擴充后機器學(xué)習(xí)各方法對比
        3.6.4 多項式特征擴充前后機器學(xué)習(xí)各方法對比
    3.7 本章小結(jié)
4 基于深度學(xué)習(xí)的多氣象因子模式預(yù)報溫度訂正模型
    4.1 K-means聚類
    4.2 LSTM建模過程
    4.3 結(jié)合注意力機制的建模過程
    4.4 實驗結(jié)果
        4.4.1 多項式特征擴充前后建模結(jié)果比較
        4.4.2 聚類前后建模結(jié)果比較
        4.4.3 基于LSTM模型結(jié)合注意力機制前后結(jié)果比較
        4.4.4 加入注意力機制后LSTM聚類建模比較
    4.5 溫度訂正結(jié)果個例對比圖
    4.6 本章小結(jié)
5 總結(jié)與展望
    5.1 本文的主要工作
    5.2 未來的研究方向
參考文獻(xiàn)
攻讀碩士學(xué)位期間取得的研究進(jìn)展
致謝



本文編號：3844889