10.3878/j.issn.1006-9585.2023.23011
基于深度学习的气象要素时空预报策略
以大气垂直累积液态水含量的预报问题为例,使用UNet网络结构作为基础结构构建时空预报模型,对比了采用两类预报策略的模型的预报效果,预报策略包含一个迭代预报策略(Recursive Forecast Strategy,RFS)以及两个直接预报策略(Direct Forecast Strategies,DFSs).研究结果表明,两个直接预报模型对整体预报时段的预报效果明显优于迭代预报模型,直接预报模型的RMSE比迭代预报模型低19%.随着预报时次的增加,迭代预报模型的预报误差累积速度比两个直接预报模型快.在两个直接预报模型中,多时次输出模型(Direct Forecast Model Multi-Steps,DFS-M)的预报表现更加稳健,在整体预报时段上预报效果优于单时次输出模型(Direct Forecast Model Single-Step,DFS-S),但DFS-S模型对几个前期时次的预报效果较好.本研究利用深度学习可解释性技术中的深度学习重要特征分析方法(Deep Learning Important FeaTures,DeepLIFT)分析DFS-M和DFS-S模型各个输入时次对于模型预报的相对重要性.研究结果表明,DFS-M和DFS-S模型80%的输入重要性都集中在最后两个输入时次上,较早期输入时次的重要性随着预报时次的增加而呈现上升趋势.由于各输出时次间存在一定的统计相关性,受输出时次相关性约束的DFS-M模型的输入时次重要性变化比DFS-S模型更加稳定.通过将DFS-M和DFS-S模型对于不同时次的预报进行结合,可以得到效果更加均衡的预报.本研究可以为基于深度学习的天气气候预报方法的选择提供新的思路.
天气气候预报、UNet网络、垂直累积液态水含量、深度学习、可解释性
28
P456(天气预报)
2023-10-31(万方平台首次上网日期,不代表论文的发表时间)
共12页
547-558