-
题名基于卷积神经网络的逐时降水预报订正方法研究
被引量：25
- 1
-
-
作者
陈锦鹏
冯业荣
蒙伟光
文秋实
潘宁
戴光丰
-
机构
福建省灾害天气重点实验室
数据科学与统计重点实验室
福建省漳州市气象局
中国气象局广州热带海洋气象研究所/广东省区域数值天气预报重点实验室
福建省气象台
-
出处
《气象》
CSCD
北大核心
2021年第1期60-70,共11页
-
基金
国家自然科学基金联合基金项目(U1811464)
泛珠三角区域数值预报联合发展专项(201804和201904)
+2 种基金
中国气象局预报员专项(CMAYBY2020-061)
广州市科技计划项目(201903010104)
数据科学与统计重点实验室开放课题(42010702)共同资助。
-
文摘
应用2017—2018年5—9月福建省观测资料对华南区域中尺度模式(GTRAMS-3 km-RUC)预报进行站点检验,建立和训练基于卷积神经网络的逐时降水分级订正模型,并与频率匹配法进行2017—2018年测试集的对比试验和2019年数据集的模拟业务检验,探讨了试验过程中遇到的样本不均衡、特征变量选取以及模型过拟合问题。结果表明:模式对于15 mm·h-1以上降水的预报能力弱,各订正方法对原始预报均有不同程度的改进作用。从评估指标来看,基于卷积神经网络的订正方法比频率匹配法表现出优势,其中相关系数判别方案下的网络模型对强降水预报的订正效果显著优于其他方法;在输入特征变量选取方面,应用主成分分析方案的模型训练收敛速度比相关系数判别方案更快,最佳训练期有所提前,但也更早进入严重的过拟合状态,而相关系数判别方案能够使网络模型的训练拥有更长的提升期以达到更具“潜力”的状态;基于卷积神经网络的订正方法对减少分类降水预报的漏报率、晴雨和弱降水预报的空报率具有显著作用,其优化程度明显超过频率匹配法。
-
关键词
卷积神经网络
逐时降水预报
分级订正
相关系数判别
主成分分析
-
Keywords
convolutional neural network(CNN)
hourly precipitation forecast
categorical correction
correlation coefficient discrimination(CCD)
principal component analysis(PCA)
-
分类号
P456
[天文地球—大气科学及气象学]
-
