深度学习方法在干旱预测中的应用

• 作者: 米前川 高西宁 李玥 李馨仪 唐莹 任传友
• 来源期刊: 应用气象学报
• 关键词: 干旱预测 标准化降水蒸散指数 长短期记忆网络 卷积神经网络 深度学习
• 年，卷（期）: 2022,（1）
• 所属期刊栏目: 论著|ARTICLES
• 页码范围: 104-114
• 页数: 11页
• 语种: 中文
• DOI: 10.11898/1001-7313.20220109

摘要

使用标准化降水蒸散指数作为农业干旱的监测指标,以站点气象要素和大尺度环流要素为驱动变量,建立干旱预测模型,分析评价传统的整合移动平均自回归(ARIMA)时间序列模型以及不同深度神经网络模型(DNN)的预测效果.结果 表明:DNN模型的总体预测能力优于ARIMA模型;同基于长短期记忆网络(LSTM)提出的传统LSTM预测模型(TLSTM)相比,改进的LSTM模型(ILSTM)通过预处理全连接层对预测因子进行非线性映射,能够自动剔除无效信息,提取高层次综合特征,可使预测序列和观测序列的相关系数提升0.04～0.25,均方根误差降低0.07～0.32,误差绝对值的平均降低0.06～0.27;卷积神经网络(CNN)可提取影响干旱变化的大尺度环流信息,其与ILSTM的组合深度网络模型(CLSTM)可进一步使相关系数提升0.03～0.44,均方根误差降低0.09～0.33,误差绝对值的平均降低0.05～0.26.CLSTM模型可应用于短期区域性干旱变化气候预测.