短臨降水預(yù)報(bào)是一項(xiàng)重要且具有挑戰(zhàn)性的世界性難題.研究人員曾嘗試使用各種技術(shù)預(yù)報(bào)降水,但是由于降水本身具有高度非線性、隨機(jī)性和復(fù)雜性的特性,使得降水預(yù)測(cè)精確度并不高.近年來,隨著人工智能技術(shù)的迅猛發(fā)展,其日漸滲透到人們生活的方方面面,氣象領(lǐng)域也因此得益.人工神經(jīng)網(wǎng)絡(luò)能夠?qū)Ψ蔷�性系統(tǒng)進(jìn)行建模,因此相比于傳統(tǒng)方法,如數(shù)值天氣預(yù)報(bào)法和光流法等,人工智能方法使得降水預(yù)報(bào)的準(zhǔn)確率大大提高.本文介紹了傳統(tǒng)降水預(yù)報(bào)的方法,著重總結(jié)概括了用于短臨降水預(yù)報(bào)的各種最新人工智能方法,并對(duì)各研究方向進(jìn)行歸納分析,為各類研究人員研究提供有益參考和借鑒. 

【文章來源】：南京信息工程大學(xué)學(xué)報(bào)(自然科學(xué)版). 2020,12(04)

【文章頁數(shù)】：15 頁

【部分圖文】：

人工智能、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)三者關(guān)系

Encoding-forecasting Conv LSTM網(wǎng)絡(luò)[4]

圖2 Encoding-forecasting Conv LSTM網(wǎng)絡(luò)[4]Kim等[65]提出了一種名為DeepRain的數(shù)據(jù)驅(qū)動(dòng)的降水預(yù)測(cè)模型，結(jié)構(gòu)如圖4所示，該模型使用卷積LSTM(ConvLSTM)利用天氣雷達(dá)數(shù)據(jù)來預(yù)測(cè)降雨量．Shi等[4]使用了三維單通道數(shù)據(jù)，而Kim等[65]使用ConvLSTM來處理三維(寬、高和深度)四通道(4個(gè)不同的海拔)數(shù)據(jù)．另一點(diǎn)不同之處在于Shi等[4]采用多對(duì)多的輸出，而Kim等[65]使用多對(duì)一的方法．?dāng)?shù)據(jù)集中每行數(shù)據(jù)由雷達(dá)反射率和地面真值組成，雷達(dá)反射率為距101 km×101 km地面的4個(gè)高度的15個(gè)時(shí)間間隔(間隔6 min)共101×101×4×15個(gè)數(shù)字值;地面真值為網(wǎng)格中心50×50范圍內(nèi)1～2h的降雨量．完整的數(shù)據(jù)集包括在2年期間隨機(jī)選擇的10 000行數(shù)據(jù)．模型按時(shí)間序列依次輸入15個(gè)三維四通道數(shù)據(jù)，輸出是預(yù)測(cè)的降雨量信息．實(shí)驗(yàn)結(jié)果表明，卷積運(yùn)算可以有效地從數(shù)據(jù)中提取潛在特征，并可以進(jìn)行快速訓(xùn)練．與線性回歸相比，2層ConvLSTM將RMSE降低了23.0%.

【參考文獻(xiàn)】：
期刊論文
[1]氣象大數(shù)據(jù)超短臨精準(zhǔn)降水機(jī)器學(xué)習(xí)與典型應(yīng)用[J]. 張晨陽,楊雪冰,張文生.  農(nóng)業(yè)大數(shù)據(jù)學(xué)報(bào). 2019(01)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的雷達(dá)回波外推方法[J]. 施恩,李騫,顧大權(quán),趙章明.  計(jì)算機(jī)應(yīng)用. 2018(03)
[3]一種基于深度網(wǎng)絡(luò)的多環(huán)境因素降水量預(yù)報(bào)模型[J]. 張鵬程,張雷,王繼民.  計(jì)算機(jī)應(yīng)用與軟件. 2017(09)
[4]遞歸神經(jīng)網(wǎng)絡(luò)在降雨量預(yù)測(cè)中的應(yīng)用研究[J]. 張帥,魏正英,張育斌.  節(jié)水灌溉. 2017(05)
[5]基于神經(jīng)網(wǎng)絡(luò)和模型集成的短時(shí)降雨預(yù)測(cè)方法[J]. 郭尚瓚,肖達(dá),袁行遠(yuǎn).  氣象科技進(jìn)展. 2017(01)
[6]人工神經(jīng)網(wǎng)絡(luò)在短期降水預(yù)測(cè)方面的應(yīng)用研究[J]. 張繼學(xué),王鵬,張琳,王一.  科技風(fēng). 2016(17)
[7]基于徑向基神經(jīng)網(wǎng)絡(luò)的月降水量預(yù)測(cè)模型研究[J]. 季剛,姚艷,江雙五.  計(jì)算機(jī)技術(shù)與發(fā)展. 2013(12)
[8]基于雷達(dá)外推臨近預(yù)報(bào)和中尺度數(shù)值預(yù)報(bào)融合技術(shù)的短時(shí)定量降水預(yù)報(bào)試驗(yàn)[J]. 程叢蘭,陳明軒,王建捷,高峰,楊漢賢.  氣象學(xué)報(bào). 2013(03)
[9]BP神經(jīng)網(wǎng)絡(luò)在多普勒雷達(dá)降水量的估測(cè)中的應(yīng)用[J]. 邵月紅,張萬昌,劉永和,孫成武,傅成玉.  高原氣象. 2009(04)
[10]馬爾可夫鏈預(yù)測(cè)方法的統(tǒng)計(jì)試驗(yàn)研究[J]. 夏樂天,朱元甡.  水利學(xué)報(bào). 2007(S1)

碩士論文
[1]基于衛(wèi)星遙感圖像的降水云團(tuán)跟蹤技術(shù)研究[D]. 張蓉.南京信息工程大學(xué) 2013



本文編號(hào)：3629940