| 深度学习方法在干旱预测中的应用 |
| |
| 引用本文： | 米前川,高西宁,李玥,李馨仪,唐莹,任传友.深度学习方法在干旱预测中的应用[J].应用气象学报,2022,33(1):104-114. |
| |
| 作者姓名： | 米前川 高西宁 李玥 李馨仪 唐莹 任传友 |
| |
| 作者单位： | 沈阳农业大学农学院, 沈阳 110866 |
| |
| 基金项目： | 国家重点研发计划(2019YFD1002204)。 |
| |
| 摘 要： | 使用标准化降水蒸散指数作为农业干旱的监测指标, 以站点气象要素和大尺度环流要素为驱动变量, 建立干旱预测模型, 分析评价传统的整合移动平均自回归(ARIMA)时间序列模型以及不同深度神经网络模型(DNN)的预测效果。结果表明: DNN模型的总体预测能力优于ARIMA模型; 同基于长短期记忆网络(LSTM)提出的传统LSTM预测模型(TLSTM)相比, 改进的LSTM模型(ILSTM)通过预处理全连接层对预测因子进行非线性映射, 能够自动剔除无效信息, 提取高层次综合特征, 可使预测序列和观测序列的相关系数提升0.04~0.25, 均方根误差降低0.07~0.32, 误差绝对值的平均降低0.06~0.27;卷积神经网络(CNN)可提取影响干旱变化的大尺度环流信息, 其与ILSTM的组合深度网络模型(CLSTM)可进一步使相关系数提升0.03~0.44, 均方根误差降低0.09~0.33, 误差绝对值的平均降低0.05~0.26。CLSTM模型可应用于短期区域性干旱变化气候预测。
|
| 关 键 词： | 干旱预测 标准化降水蒸散指数 长短期记忆网络 卷积神经网络 深度学习 |
| 收稿时间： | 2021-07-01 |
Application of Deep Learning Method to Drought Prediction |
| |
| Mi Qianchuan,Gao Xining,Li Yue,Li Xinyi,Tang Ying,Ren Chuanyou.Application of Deep Learning Method to Drought Prediction[J].Quarterly Journal of Applied Meteorology,2022,33(1):104-114. |
| |
| Authors: | Mi Qianchuan Gao Xining Li Yue Li Xinyi Tang Ying Ren Chuanyou |
| |
| Institution: | College of Agronomy, Shenyang Agricultural University, Shenyang 110866 |
| |
| Abstract: | |
| |
| Keywords: | drought prediction standardized precipitation evapotranspiration index long and short-term memory network convolutional neural network deep learning |
| 本文献已被 维普 等数据库收录！ |
| 点击此处可从《应用气象学报》浏览原始摘要信息 |
| 点击此处可从《应用气象学报》下载免费的PDF全文 |
|
