基于深度LSTM神经网络的大气可降水量估算模型.doc

文档介绍：基于深度LSTM神经网络的大气可降水量估算模型


该论文来源于网络，本站转载的论文均是优质论文，供学习和研究使用，文中立场与本网站无关，版权和著作权归原作者所有，如有不愿意被转载的情况，请通知我们删除已转载的信息，如果需要分享，请保留本段说明。
　　摘要：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，， 1 mm， 9 mm，%，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。
　　关键词：LSTM;GPS/MET;大气可降水量;估算模型;怀化地区
　　中图分类号：TP183 文献标识码：A
　　文章编号：0439-8114（2020）02-0161-05
　　DOI：.issn0439- 开放科学（资源服务）标识码（OSID）：
　　Estimation model of precipitable water vapor based on deep LSTM neural network
　　LUO Yu1，LUO Lin-yan2，FAN Jia-zhi1，DUAN Si-ru1，GAO Wen-juan1
　　（ Meteorological Training Center Hunan Branch，Changsha 410125，China;
　　 Provincial Meteorological Information Center，Changsha 410118，China）
　　Abstract： Based on deep long short term memory（LSTM） neural network， the estimation models （LSTM5 and LSTM1） of precipitable water vapor （PWV） in Huaihua distinct are proposed by using multi（air temperature， air pressure， dew point temperature， relative humidity， water vapor pressure and hourly precipitation） and single factor（water vapor pressure） separately， besides the estimation precision of the models are analyzed. As the result shown， the LSTM models have high estimation precision， whose coefficients of determination are both greater than ， mean values of root square error， mean absolute error and mean absolute percentage error are below 1 mm， 9 mm and % respectively. The precision of LSTM models improves more than 70% compared to linear estimation model or quadratic polynomial estimation based on water vapor pressure， and the precision of LSTM1 model slightly better than that of LSTM5. The distribution of estimation errors