来源:张雷师兄论文:A deep-learning based precipitation forecasting
遵义市1956-2010
train data:1956-2000
test data:2000-2010
来源:贾旸旸师兄论文:Short-term Rainfall Forecasting Using Multi-layer Perceptron
PCA:13个物理因子进行降维,输入到MLP中
贪婪算法决定MLP的结构,
该模型的初始数据包括五个高空因素和八个地表因素。
在气象学中,通常用位势高度代替实际高度,用等压面代替水平高度,因此,气象数据总是采用等压面格式。例如,500hpa通常相当于5.5km的高度。降雨系统通常由500hpa的天气系统控制。根据区域经验,该模型选择的五个海拔因子分别是500hpa高度下的实际高度(x1)、温度(x2)、温度露点差(x3)、风向(x4)和风速(x5)。风向和风速影响着降雨系统的运动方向和速度。温度露点差与湿度直接相关。温度露点差、温度和实际高度值影响着降雨系统的内能。地表因子代表该地区的局部大气条件。不同地区地表因子的差异导致降雨不同。该模型中所用的八个面因子包括总云量(X6)、地表风速(X7)、地面风向(X8)、地面气压(X9)、地表3小时压力变化(X10)、地表温度露点差(X11)、地表温度(X12)和过去三小时的降雨。周围区域(x13)。对于同一个预测区域,每个周边区域都与该预测区域建立一个MLP。表1显示了所有13个因素。这些因素是我们模型的初始输入。
最小-最大规范化。最常用的数据规范化方法之一是最小-最大规范化。它可以在0和1之间标准化数据。由于不同因素的大小不同,有必要对数据进行预处理。对于要处理的序列,序列的最大值对应于1,最小值对应于0,其余值在0和1之间按比例转换。
主成分分析。归一化后,PCA用于减小输入的维数。确定新因子个数的标准是99%,即所选因子的特征值之和占总特征值的99%以上。经计算,新因子的总信息可以代表原始数据的99%以上。此标准定义了保留的信息量,但没有指定所需的因子数量。对于不同的预测区域,因子的数量可能不同,但不会超过初始输入,即13。在大多数情况下,需要的因素数量在3到8之间。PCA处理后,所需的计算资源大大减少。
MLP的输入是Z1-Z4四个参数,输出是降雨量
step1:
step2:中心预测点与其他地区各有一个MLP,两个地区的距离决定了周围MLP的数量。周围多个MLP模型一起决策,如果预测降雨的MLP超过1,取均值。
2015-2017年海拔(500hPa)测绘数据和数值预报结果。
train data:2015-2016
test data:2016-2017
来源:基于雷达回波图像的短期降雨预测
卷积自编码器的编码模块首先提取每帧输入图像特征,送入LSTM预报网络;LSTM预报网络的编码模块,对输入信息提取时序特征,在此基础上,由LSTM预测模块产生关于未来时段回波图像时序特征预测。
在MINIST数据集上对自编码器的层数和LSTM层数预测效果进行对比
石家庄地区 2010 -2017 年之间降雨天气的雷达回波图像 。
回波图像每6分钟采集一帧, 1个小时内得到 10 帧雷达回波图像,构成一个时间序列。
偏差值,均方根误差,POD指数,CSI指数,FAR指数,TS评分,ETS评分