为了考察辅助变量、时间滞后变量设置的重要性和神经网络中嵌入层对分类变量处理的有效性,利用2015年1月15日-2020年12月31日欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts,ECMWF)高分辨率模式(high resolu...为了考察辅助变量、时间滞后变量设置的重要性和神经网络中嵌入层对分类变量处理的有效性,利用2015年1月15日-2020年12月31日欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts,ECMWF)高分辨率模式(high resolution,HRES)输出产品及中国2238个国家级地面气象站基本气象要素数据集,在全连接神经网络基础上设计4个试验,构建24 h最高气温预报神经网络模型。结果表明:加入辅助变量、时间滞后变量的特征和带有嵌入层的全连接神经网络结构的深度学习神经网络模型对HRES日最高气温预报误差均有订正效果,均方根误差降低29.72%~47.82%,温度预报准确率提高16.67%~38.89%。加入经过嵌入层处理的辅助变量后,可显著提高青藏高原中南部和西南地区东部的平均绝对偏差不超过2℃的正技巧站点比例(比仅用HRES预报因子建模分别提高21.74%和14.17%),在此基础上加入时间滞后变量显著提高上述两个地区的平均绝对偏差不超过2℃的正技巧站点比例(比仅用HRES预报因子建模分别提高40.98%和20.33%),且预报性能更加稳定。展开更多
文摘为了考察辅助变量、时间滞后变量设置的重要性和神经网络中嵌入层对分类变量处理的有效性,利用2015年1月15日-2020年12月31日欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts,ECMWF)高分辨率模式(high resolution,HRES)输出产品及中国2238个国家级地面气象站基本气象要素数据集,在全连接神经网络基础上设计4个试验,构建24 h最高气温预报神经网络模型。结果表明:加入辅助变量、时间滞后变量的特征和带有嵌入层的全连接神经网络结构的深度学习神经网络模型对HRES日最高气温预报误差均有订正效果,均方根误差降低29.72%~47.82%,温度预报准确率提高16.67%~38.89%。加入经过嵌入层处理的辅助变量后,可显著提高青藏高原中南部和西南地区东部的平均绝对偏差不超过2℃的正技巧站点比例(比仅用HRES预报因子建模分别提高21.74%和14.17%),在此基础上加入时间滞后变量显著提高上述两个地区的平均绝对偏差不超过2℃的正技巧站点比例(比仅用HRES预报因子建模分别提高40.98%和20.33%),且预报性能更加稳定。
