×
孔文佳;李浩晨;于，陈;Xia，江江;康、燕燕;张平文

用于多站点天气预测后处理的深空时预测模型。 （英语） Zbl 1482.86030号

Commun公司。计算。物理学。 31，第1期，131-153（2022）.
摘要：本文提出了一种深度时空预测模型（DeepSTF），用于同时利用时空信息进行多站点天气预测后处理。在我们提出的框架中，时空信息由CNN（卷积神经网络）模块和带注意机制的编解码结构建模。我们工作的新颖之处在于，我们的模型充分考虑了时间和空间特征，并使用相同的框架同时获得多个气象站的预报。我们将DeepSTF模型应用于北京226个气象站短期天气预报。与包括模型输出统计方法在内的其他广泛使用的基准模型相比，它显著改善了短期预测。为了评估模型参数的不确定性，我们通过自举估计置信区间。结果表明，DeepSTF模型的预测精度具有较强的稳定性。最后，我们评估了季节变化和地形差异对模型预测准确性的影响。结果表明，该模型具有较高的预测精度。

引用于1文件

理学硕士：

86年10月 气象学和大气物理学
68T07型 人工神经网络与深度学习
86A32型 地理统计学

关键词：

天气预报;后处理;时空建模;深度学习

软件：

XGBoost公司
PDF格式BibTeX公司 XML格式引用
\textit{W.Kong}等人，Commun。计算。物理学。31，编号1，131--153（2022；Zbl 1482.86030）
全文： 内政部

参考文献：

[1] K.Ahmed、S.Shahid、N.Nawaz和N.Khan。模拟气候变化对巴基斯坦干旱地区预模拟的影响：一个非本地模型输出统计数据缩小了ap-proach的范围。理论与应用气候学，137（1-2）：1347-13642019。
[2] D.Bahdanau、K.Cho和Y.Bengio。神经机器翻译通过联合学习对齐和翻译。arXiv预印arXiv:1409.04732014。
[3] V.比克斯。这是一个在潮湿环境下的问题，在机械和物理条件下，这是个问题。流星。周，21:1-71904。
[4] J.Booz、W.Yu、G.Xu、D.Griffith和N.Golmie。一个基于深度学习的天气预报系统，用于数据量和最近度分析。2019年国际计算、网络和通信会议（ICNC），第697-701页。IEEE，2019年。
[5] A.Carpinone、R.Langella、A.Testa和M.Giorgio。基于马尔可夫链模型的极短期概率风电预测。2010年IEEE第11届电力系统概率方法国际会议，第107-112页。IEEE，2010年。
[6] J.G.Charney、R.Fjörtoft和J.Von Neumann。正压涡度方程的数值积分。《大气挑战》，第267-284页。斯普林格，1990年。
[7] A.Chattopadhyay、P.Hassanzadeh和D.Subramanian。使用机器学习方法对多尺度Lorenz 96混沌系统进行数据驱动预测：水库计算、人工神经网络和长短期记忆网络。地球物理中的非线性过程，27（3）：373-3892020。
[8] A.Chattopadhyay、E.Nabizadeh和P.Hassanzadeh。使用深度学习对极端天气模式进行模拟预测。地球系统建模进展杂志，12（2）：e2019MS0019582020。
[9] T.Chen和C.Guestrin。XGBoost：一个可扩展的树木提升系统。《第22届ACM SIGKDD知识发现和数据挖掘国际会议论文集》，第785-794页，2016年。
[10] W.Y.Y.Cheng和W.J.Steenburgh。MOS的优势和劣势、运行中偏差消除和卡尔曼滤波技术，用于改进美国西部的模型预测。天气与预报，22（6）：1304-13182007。
[11] K.Cho、B.Van Merriönboer、C.Gulcehre、D.Bahdanau、F.Bougares、H.Schwenk和Y.Bengio。使用RNN编码器-解码器学习短语表示以进行统计机器翻译。arXiv预印arXiv:1406.10782014。
[12] L.Delle Monache、F.A.Eckel、D.L.Rife、B.Nagarajan和K.Searight。模拟集合的概率天气预报。《月度天气评论》，141（10）：3498-35162013。
[13] L.Delle Monache、T.Nipen、Y.Liu、G.Roux和R.Stull。用于后处理数值天气预测的卡尔曼滤波器和模拟方案。《月度天气评论》，139（11）：3554-35702011年。
[14] M.Diagne、M.David、J.Boland、N.Schmutz和P.Lauret。留尼汪岛WRF模型太阳辐射预测的后处理。太阳能，105:99-1082014。
[15] P.Friedrichs和H.Paeth。使用多元MOS重新校准方案，使用ECHAM4-T42集合模拟对非洲降水进行季节预测。气候动力学，27（7-8）：761-7862006。
[16] C.Gao和J.Zeng。基于MOS方法的宁德沿海地区风力预报验证。海洋预测，（04）：17-242018。
[17] A.Ghaderi、B.M.Sanandaji和F.Ghaderi。深度预测：基于深度学习的时空预测。arXiv预印arXiv:1707.081102017。
[18] B.Glahn、M.Peroutka、J.Wiedenfeld、J.Wagner、G.Zylstra、B.Schuknecht和B.Jackson。整体框架中的MOS不确定性估计。《月度天气评论》，137（1）：246-2682009。
[19] H.R.Glahn和D.A.Lowry。模型输出统计（MOS）在客观天气预报中的应用。应用气象学杂志，11（8）：1203-12111972。
[20] P.Grönquist、C.Yao、T.Ben-Nun、N.Dryden、P.Dueben、S.Li和T.Hoefler。深度学习后处理集成天气预报。arXiv预打印arXiv:2005.087482020。
[21] K.A.Hart、W.J.Steenburgh、D.J.Onton和A.J.Siffert。2002年奥运会和残奥会冬季奥运会期间基于中尺度模型的模型输出统计（MOS）评估。天气与预报，19（2）：200-218，2004。
[22] S.Hochreiter和J.Schmidhuber。长短期记忆。神经计算，9（8）：1735-17801997。
[23] S.Ioffe和C.Szegedy。批量规范化：通过减少内部协变量偏移来加速深层网络培训。在机器学习国际会议上，第448-456页。PMLR，2015年。
[24] Z.Karevan和J.A.K.Suykens。用于天气预报中温度预测的时空叠加LSTM。arXiv预印arXiv:1811.063412018。
[25] Y.LeCun、Y.Bengio和G.Hinton。深度学习。《自然》，521（7553）：436-4442015年。
[26] H.Li、C.Yu、J.Xia、Y.Wang、J.Zhu和P.Zhang。北京地区电网温度预测的模型输出机器学习方法。大气科学进展，36（10）：1156-11702019。
[27] I.Loshchilov和F.Hutter。修正亚当的体重衰减规则。2018
[28] A.Pelosi、H.Medina、J.Van den Bergh、S.Vannitsem和G.B.Chirico。用于后处理集合数值天气预报的自适应卡尔曼滤波。每月天气回顾，145（12）：4837-48542017。
[29] X.Peng、Y.Che和J.Chang。利用异常积分和历史数据提高数值天气预报技能的新方法。地球物理研究杂志：大气，118（16）：8814-88262013。
[30] S.Rasp和S.Lerch。用于集成天气预报后处理的神经网络。《月度天气评论》，146（11）：3885-39002018。
[31] X.Ren、L.Li、Y.Yu、Z.Xiong、S.Yang、W.Du和M.Ren。基于机器学习方法的简化气候变化模型和极端天气模型。对称，12（1）：1392020。
[32] L.F.理查森。通过数值过程进行天气预测。剑桥大学出版社，2007年·Zbl 1205.86026号
[33] X.Shi、Z.Chen、H.Wang、D.Y.Yeung、W.K.Wong和W.C.Woo。卷积LSTM网络：降水预报的机器学习方法。《神经信息处理系统进展》，第802-810页，2015年。
[34] X.Shi、Z.Gao、L.Lausen、H.Wang、D.-Y.Yeung、W.-K.Wong和W.-C.Woo。降水预报的深度学习：基准和新模型。《神经信息处理系统进展》，第5617-5627页，2017年。
[35] X.Shi和D.Y.Yeung。时空序列预测的机器学习：综述。arXiv预印arXiv:1808.068652018。
[36] K.Simonyan和A.Zisserman。用于大规模图像识别的深度卷积网络。arXiv预印arXiv:1409.15562014。
[37] 宋振中、姜瑜和张振中。基于Markov开关模型的短期风速预测。应用能源，130:103-1122014。
[38] I.Sutskever、O.Vinyals和Q.V.Le。用神经网络进行序列到序列的学习。《神经信息处理系统进展》，第3104-3112页，2014年。
[39] B.A.Veenhuis博士。集合MOS预报的扩散校准。《月度天气评论》，141（7）：2467-24822013。
[40] B.Wang、J.Lu、Z.Yan、H.Luo、T.Li、Y.Zheng和G.Zhang。深度不确定性定量时间：天气预报的机器学习方法。《第25届ACM SIGKDD知识发现与数据挖掘国际会议论文集》，第2087-2095页，2019年。
[41] J.A.Weyn、D.R.Durran和R.Caruana。机器能学会预测天气吗？使用深度学习从历史天气数据预测网格化500-hPa位势高度。地球系统建模进展杂志，11（8）：2680-26932019年。
[42] J.Xia，H.Li，Y.Kang，C.Yu，L.Ji，L.Wu，X.Lou，G.Zhu，Z.Wang，Z.Yan等人。2022年冬奥会基于机器学习的天气支持，2020年。
[43] D.杨。使用卡尔曼滤波进行日前NWP预测后处理。太阳能，182:179-1812019。
[44] D.杨。集成模型输出统计数据，作为卫星衍生和再分析太阳辐照度的概率站点自适应工具。《可再生能源与可持续能源杂志》，12（1）：0161022020。
[45] K.Yonekura、H.Hattori和T.Suzuki。深度神经网络使用密集气象站进行短期本地天气预报。2018年IEEE国际大数据会议（大数据），第1683-1690页。IEEE，2018年。
[46] C.余。用于天气预报的数据驱动随机子特征集成学习算法。计算物理通信，28（4）：1305-13202020·Zbl 1473.62382号
[47] M.A.Zaytar和C.El Amrani。基于长短期记忆递归神经网络的逐序列天气预报。国际计算机应用杂志，143（11）：7-112016。
[48] H.Zheng和Y.Wu。用于短期风电预测的具有天气相似性分析和特征工程的XGBoost模型。应用科学，9（15）：30192019。
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。