首页|基于深度LSTM神经网络的大气可降水量估算模型

基于深度LSTM神经网络的大气可降水量估算模型

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
基于深度长短期记忆(LSTM)神经网络,分别利用地面气象多要素(气温、气压、露点温度、相对湿度、水汽压、小时降水量)和单要素(水汽压)建立怀化地区GPS大气可降水量估算模型LSTM5和LSTM1,并对模型精度进行分析.结果表明,利用地面气象要素建立的2种大气可降水量深度LSTM模型有较好的估算精度,决定系数均大于0.94,均方根误差均值小于1.1581 mm,平均绝对误差均值小于0.7099 mm,平均绝对百分比误差均值小于4.54％,较基于水汽压的可降水量线性拟合或二次多项式拟合模型的估算精度提升了70％以上,且LSTM1模型精度略优于LSTM5模型;模型估算精度与大气可降水量条件相关,当可降水量较低或较高时,模型估算结果更为理想;同时模型估算精度与观测站海拔呈现正相关,观测站海拔越高LSTM模型精度越高.
Estimation model of precipitable water vapor based on deep LSTM neural network

罗宇、罗林艳、范嘉智、段思汝、高文娟

展开 >

中国气象局气象干部培训学院湖南分院,长沙 410125

湖南省气象信息中心,长沙 410118

LSTM GPS/MET 大气可降水量 估算模型 怀化地区

湖南省气象局面上科研项目

XQKJ19B053

2020

湖北农业科学
湖北省农业科学院　华中农业大学　长江大学　黄冈师范学院

湖北农业科学

CSTPCD
影响因子：0.442
ISSN：0439-8114
年,卷(期)：2020.59(2)
  • 5
  • 9