基于深度学习的短时强降水天气识别

• 作者: 任一墨 孙晓磊 贾惠珍 路志英
• 来源期刊: 天津大学学报
• 学科: 工学
• 关键词: 短时强降水 物理量计算 SMOTE算法 深度学习
• 年，卷（期）: 2018,（2）
• 页码范围: 111-119
• 页数: 9页
• 分类号: TP29
• 字数: 7383字
• 语种: 中文
• DOI: 10.11784/tdxbz201703106

摘要

气象预报人员面临的问题之一是如何准确有效地识别短时强降水天气.短时强降水是一种主要由强对流天气形成的气象灾害,产生原因与空气湿度、大气中的水分以及温湿等物理量参数有关,由此提出基于物理量参数和深度学习模型DBNs的短时强降水天气识别模型.首先,利用SMOTE算法人工合成短时强降水少数类(相对于非短时强降水天气类)样本,调整原始数据集不均衡分布问题;然后通过含有高斯玻耳兹曼机的深度学习模型对地面大气监测站逐小时加密的观测量,以及常用于天气预报分析的物理量等低层特征构造出抽象的高层特征,发现数据特征内在关系;最后实现了 DBNs 短时强降水的自动识别模型.结果表明,该方法能够较为准确地识别短时强降水,对于短时强降水的命中率、误警率和临界成功指数,都有着较好的表现.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	路志英	天津大学电气自动化与信息工程学院	35	264	9.0	15.0
2	任一墨	天津大学电气自动化与信息工程学院	2	10	2.0	2.0