基于深度学习的温度观测数据长时间缺失值插补方法
万方数据知识服务平台
应用市场
我的应用
会员HOT
万方期刊
×

点击收藏,不怕下次找不到~

@万方数据
会员HOT

期刊专题

10.15888/j.cnki.csa.008493

基于深度学习的温度观测数据长时间缺失值插补方法

引用
完整高精度的温度观测数据是农业气象灾害监测、生态系统模拟重要的输入参数.由于野外气象观测条件的限制,气象观测数据缺失现象是常态,数据插补方法是气象数据应用必要处理步骤.本文针对野外小气象观测站站点半小时温度观测数据长时间缺失值问题,结合同一地点较低频次的人工温度观测,构建了新的温度缺失值插补深度学习模型,对缺失的半小时温度观测数据进行高精度插补.本文构建的深度学习模型,采用了基于编码-解码结构的序列-序列深度学习结构(BiLSTM-I),模型编码层采用双向LSTM-I网络,解码层分别采用LSTM解码结构与全连接两种解码结构.试验分析结果表明,本文设计的BiLSTM-I深度学习温度插补方法要优于其他方法,可满足了高精度温度数据插补需要,而且LSTM解码结构的BiLSTM-I模型具有更好的数据插补精度.文章最后还分析了BiLSTM-I深度学习模型的泛化能力,结果表明BiLSTM-I模型具有不同温度缺失窗口长度的插补能力.

长时间序列、BiLSTM-I、温度缺失、高精度插补、深度学习、长记忆

31

TP391;P415.12;S42

国家重点研发计划2107YFD0300403

2022-04-26(万方平台首次上网日期,不代表论文的发表时间)

共8页

221-228

相关文献
评论
暂无封面信息
查看本期封面目录

计算机系统应用

1003-3254

11-2854/TP

31

2022,31(4)

相关作者
相关机构

专业内容知识聚合服务平台

国家重点研发计划“现代服务业共性关键技术研发及应用示范”重点专项“4.8专业内容知识聚合服务技术研发与创新服务示范”

国家重点研发计划资助 课题编号:2019YFB1406304
National Key R&D Program of China Grant No. 2019YFB1406304

©天津万方数据有限公司 津ICP备20003920号-1

信息网络传播视听节目许可证 许可证号:0108284

网络出版服务许可证:(总)网出证(京)字096号

违法和不良信息举报电话:4000115888    举报邮箱:problem@wanfangdata.com.cn

举报专区:https://www.12377.cn/

客服邮箱:op@wanfangdata.com.cn