基于深度学习的气象要素格点预报模式订正

论文摘要

随着大数据时代的到来,人类加强了收集数据的意识,使得数据挖掘在各个领域有了更多的用武之地。机器学习作为数据挖掘的重要工具被大众所熟知,而深度学习是机器学习的重要发展方向。深度学习以模仿人脑递质的传输机制来解释数据规律为目的,建立了深层神经网络结构模型。深度学习在时间和空间两个方向对特征的提取融合研究发展迅猛,在图像分类、识别等方面取得了惊人的成果。同时,由于之前的气象资料未能有效的处理和保存,而网络模型的训练需要大量的历史数据才会取得较好的效果,所以深度学习算法没有被广泛应用在气象学领域,只停留在一些小规模的研究上。本论文即以深度学习作为主要算法,力图在气象要素格点预报问题上有所突破。首先根据了解的气象学先验知识,选取部分气象要素数据并处理成有效数据集,然后设计适用于气象领域的网络结构,生成未来一段时间内某气象要素的预测结果。主要工作如下:1.提出新的深度学习模型框架KM-ConvGRU,在时间和空间两方面同时对格点数据进行特征提取。KM-ConvGRU模型由初步融合模块PIM和深度相融合模块DIM两部分构成。PIM模块主要作用是对多层多要素的气象格点数据在空间上进行初步的特征提取融合,首先对多层数据进行K-means聚类,之后分别在类内和类间进行卷积运算达到空间特征提取的目的。DIM模块主要作用是对经过初步特征提取融合的数据块进行时空综合特征提取,主要采用多层ConvGRU网络结构。2.收集整理适用于网络训练的数据集。收集目标区域2015-2017年基于EC模式的多要素零场和预报场数据,以及基于地面融合观测的气象要素实况数据。与相关专业人员沟通选定高度、比湿、相对湿度、温度、U风分量、V风分量6个气象要素作为数据集来源,目标区域范围选择纬向5-60度、经向75-135度。之后对收集的数据进行数据清洗和标准化的预处理。最后根据网络结构要求,将数据设计为五维时空数据块。3.针对气象数据集,通过模型内部寻优实验,求得9-KM-ConvGRU为最佳模型;9-KM-ConvGRU模型的实验结果优于其内部模块PIM、DIM作为独立模型时的实验结果;9-KM-ConvGRU模型与经典网络模型对比实验结果表明,9-KM-ConvGRU模型优于GRU网络模型和Conv4D网络模型。9-KM-ConvGRU模型的订正结果比订正前的数据更接近于实况数据,说明此模型具有明显的订正效果。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
•   1.1 研究课题的背景与意义
•   1.2 国内外研究现状
•     1.2.1 传统气象元素预报算法研究
•     1.2.2 基于深度学习的气象元素预报算法研究
•     1.2.3 目前气象元素预报算法存在的问题
•   1.3 本论文的主要工作内容
•   1.4 本论文的组织安排
• 第二章 相关工作和理论基础
•   2.1 气象要素格点预报及预报模式订正概述
•   2.2 提取空间特征的网络结构
•     2.2.1 2D卷积结构
•     2.2.2 3D卷积结构
•     2.2.3 4D卷积和多维卷积结构
•   2.3 提取时间特征的网络结构
•     2.3.1 长短期记忆网络
•     2.3.2 GRU网络结构
•   2.4 提取时空特征的网络结构
•     2.4.1 ConvLSTM网络结构
•     2.4.2 神经光流网络结构
•     2.4.3 C3D网络结构
•   2.5 本章小结
• 第三章 气象要素格点预报模式订正的深度学习算法
•   3.1 问题描述
•   3.2 数据融合与网络选择
•     3.2.1 数据的初步融合
•     3.2.2 数据的深度融合
•   3.3 KM-ConvGRU模型架构
•   3.4 初步融合模块算法
•     3.4.1 K-means聚类单元
•     3.4.2 类内融合单元
•     3.4.3 类间融合单元
•     3.4.4 通道融合单元
•   3.5 深度融合模块算法
•     3.5.1 时空综合特征提取单元
•     3.5.2 订正单元
•   3.6 网络参数更新
•     3.6.1 损失函数的选择
•     3.6.2 CNN和 ConvGRU的前向传播
•     3.6.3 CNN和 ConvGRU的反向传播及参数更新
•   3.7 本章小结
• 第四章 模型评估与实验结果分析
•   4.1 实验环境配置
•   4.2 实验数据处理
•     4.2.1 数据收集
•     4.2.2 数据清洗
•     4.2.3 数据标准化
•     4.2.4 数据结构设计
•   4.3 评价指标
•   4.4 聚类调优实验分析
•   4.5 各模块的作用分析
•   4.6 与经典网络的对比分析
•   4.7 订正能力分析
•   4.8 本章小结
• 第五章 全文总结与展望
• 参考文献
• 致谢

文章来源

类型: 硕士论文

作者: 李紫丁

导师: 黄金贵

关键词: 格点预报订正,深度学习,卷积神经网络,循环神经网络,聚类

来源: 湖南师范大学

年度: 2019

分类: 基础科学,信息科技

专业: 气象学,自动化技术

单位: 湖南师范大学

分类号: TP18;P456

总页数: 57

文件大小: 2272K

下载量: 180