10.16251/j.cnki.1009-2307.2023.05.014
PSO-BP神经网络大气加权平均温度模型构建
针对现有Tm模型建模方法多为基于最小二乘线性回归方法以致于模型精度有待提高的问题,该文以中国西北地区2015-2017年的24个探空站的探空数据作为实验数据,在中国西北地区使用粒子群优化BP神经网络(PSO-BP)回归方法建立大气加权平均温度(Tm)模型:将地表温度、水气压、纬度、高程和时间变化等影响因素作为模型输入因子,将数值积分法所计算得到的Tm作为学习 目标,利用神经网络模型进行迭代训练得到中国西北地区的Tm以2018年探空站Tm数据为参考值,对PSO-BP模型精度进行验证,并与Bevis模型、GPT3模型和中国西部地区Tm模型进行比较.结果表明,PSO-BP模型的年均RMSE和年均bias分别为2.71 K和0.35 K,相比Bevis模型、GPT3模型和中国西部地区Tm模型年均 RMSE 分别降低了 1.36 K(33.4%)、1.81 K(39.5%)和 1.78 K(39.1%),年均 bias 分别下降了 0.70 K(87.7%)、1.04 K(83.2%)和0.44 K(55.7%).因此,PSO-BP模型在计算中国西北地区Tm 方面有明显优势.
大气加权平均温度、BP神经网络、粒子群优化、西北地区
48
P237(摄影测量学与测绘遥感)
国家自然科学基金;广西自然科学基金项目
2023-07-27(万方平台首次上网日期,不代表论文的发表时间)
共7页
113-119