強(qiáng)對(duì)流天氣引發(fā)的降水演變快、破壞力強(qiáng),嚴(yán)重威脅人們的生命財(cái)產(chǎn)安全。短臨降水預(yù)測(cè)技術(shù)為強(qiáng)降水的預(yù)報(bào)預(yù)警提供了有力支撐。隨著氣象技術(shù)的發(fā)展,利用雷達(dá)回波圖像進(jìn)行短臨降水預(yù)測(cè)已經(jīng)成為一個(gè)被廣泛關(guān)注的問題。當(dāng)前主要的預(yù)測(cè)方法是基于雷達(dá)回波外推和多元回歸相融合的方式來實(shí)現(xiàn)的,但準(zhǔn)確率方面仍不足以滿足業(yè)務(wù)要求。為了進(jìn)一步提升準(zhǔn)確率,本文利用深度學(xué)習(xí)相關(guān)技術(shù),通過對(duì)雷達(dá)回波外推和多元回歸兩種算法進(jìn)行研究,提升了短臨降水預(yù)測(cè)的準(zhǔn)確性。本文的研究工作如下:（1）針對(duì)現(xiàn)有基于卷積長(zhǎng)短期記憶網(wǎng)絡(luò)（Convolutional Long Short-Term Memory,Conv LSTM）的回波外推算法存在的不足:（a）普通卷積運(yùn)算在處理局部變化特征的圖像時(shí)存在局限性;（b）在外推過程中,Conv LSTM內(nèi)部采用無監(jiān)督學(xué)習(xí),損失函數(shù)常被定義為均方誤差（Mean Squared Error,MSE）,忽略了外推圖像與原始圖像的分布相似性。針對(duì)上述不足,本論文提出一種改進(jìn)的基于對(duì)抗型LSTM的回波外推算法。為了解決第一個(gè)不足,采用光流法追蹤局部特征的方式,突破了一般卷積核面對(duì)局部變化特征的限制。為了解決第二個(gè)... 

【文章頁數(shù)】：61 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景與意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀及存在的問題
        1.2.1 傳統(tǒng)的短臨降水預(yù)測(cè)算法
        1.2.2 基于深度學(xué)習(xí)的短臨降水預(yù)測(cè)算法
        1.2.3 存在問題與不足
    1.3 主要工作和論文結(jié)構(gòu)
        1.3.1 主要工作
        1.3.2 內(nèi)容安排
    1.4 本章小結(jié)
第2章 相關(guān)技術(shù)概述
    2.1 回波外推相關(guān)算法
        2.1.1 光流外推法
        2.1.2 RNN時(shí)序建模
    2.2 多元回歸相關(guān)算法
        2.2.1 非線性轉(zhuǎn)換關(guān)系
        2.2.2 神經(jīng)網(wǎng)絡(luò)算法
    2.3 特征提取與反向重構(gòu)
        2.3.1 卷積自編碼器
        2.3.2 生成對(duì)抗網(wǎng)絡(luò)算法
    2.4 本章小結(jié)
第3章 基于對(duì)抗型LSTM的雷達(dá)回波外推算法
    3.1 問題分析
    3.2 算法提出
        3.2.1 基于Conv LSTM的時(shí)空序列建模
        3.2.2 光流優(yōu)化算法
        3.2.3 DCGAN對(duì)抗學(xué)習(xí)
    3.3 數(shù)據(jù)集與評(píng)估標(biāo)準(zhǔn)
        3.3.1 回波外推數(shù)據(jù)集
        3.3.2 回波外推模型評(píng)估方法
        3.3.3 實(shí)驗(yàn)環(huán)境
    3.4 實(shí)驗(yàn)結(jié)果與分析
        3.4.1 多重反射率評(píng)估
        3.4.2 可視化展示
    3.5 本章小結(jié)
第4章 基于時(shí)序殘差網(wǎng)絡(luò)的降水回歸算法
    4.1 問題分析
    4.2 Shortcut機(jī)制
    4.3 算法提出
        4.3.1 時(shí)序殘差網(wǎng)絡(luò)算法
        4.3.2 雙向LSTM增強(qiáng)學(xué)習(xí)
    4.4 數(shù)據(jù)集與評(píng)估標(biāo)準(zhǔn)
        4.4.1 降水回歸預(yù)測(cè)數(shù)據(jù)集
        4.4.2 回歸評(píng)估標(biāo)準(zhǔn)
    4.5 實(shí)驗(yàn)結(jié)果分析
    4.6 本章小結(jié)
第5章 總結(jié)與展望
    5.1 全文工作總結(jié)
    5.2 未來工作展望
致謝
參考文獻(xiàn)
作者簡(jiǎn)介


【參考文獻(xiàn)】：
期刊論文
[1]基于數(shù)值預(yù)報(bào)和隨機(jī)森林算法的強(qiáng)對(duì)流天氣分類預(yù)報(bào)技術(shù)[J]. 李文娟,趙放,酈敏杰,陳列,彭霞云.  氣象. 2018(12)
[2]數(shù)值預(yù)報(bào)解釋應(yīng)用現(xiàn)狀與展望[J]. 辛洪德.  科技經(jīng)濟(jì)導(dǎo)刊. 2018(28)
[3]Statistics of the Z–R Relationship for Strong Convective Weather over the Yangtze–Huaihe River Basin and Its Application to Radar Reflectivity Data Assimilation for a Heavy Rain Event[J]. Xue FANG,Aimei SHAO,Xinjian YUE,Weicheng LIU.  Journal of Meteorological Research. 2018(04)
[4]一種多時(shí)間尺度SVM局部短時(shí)臨近降雨預(yù)測(cè)方法[J]. 賀佳佳,陳凱,陳勁松,徐文文,唐歷,劉軍.  氣象. 2017(04)
[5]多普勒雷達(dá)風(fēng)場(chǎng)資料在臨近預(yù)報(bào)中的應(yīng)用[J]. 劉紅艷,魏鳴,管理.  大氣科學(xué)學(xué)報(bào). 2015(04)
[6]極限學(xué)習(xí)機(jī)神經(jīng)網(wǎng)絡(luò)在短期降水預(yù)報(bào)中的應(yīng)用[J]. 虞雙吉,苗春生,王新.  云南大學(xué)學(xué)報(bào)(自然科學(xué)版). 2013(04)
[7]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)
[8]短時(shí)強(qiáng)降水的多尺度分析及臨近預(yù)警[J]. 郝瑩,姚葉青,鄭媛媛,魯俊.  氣象. 2012(08)
[9]多尺度合成的降水臨近預(yù)報(bào)技術(shù)[J]. 王玨,張家國(guó),萬玉發(fā).  氣象科技. 2008(05)
[10]新一代天氣雷達(dá)在臨近預(yù)報(bào)和災(zāi)害性天氣警報(bào)中的應(yīng)用[J]. 張沛源,楊洪平,胡紹萍.  氣象. 2008(01)

碩士論文
[1]基于雷達(dá)回波圖像的短期降雨預(yù)測(cè)[D]. 張玲玲.河北師范大學(xué) 2018



本文編號(hào)：3694491