论文部分内容阅读
气象与人类活动息息相关,气象预报的准确性极大的影响军事、民生、经济等领域,极端天气变化更将破坏人类生存环境。格点气象要素预报是一种将地区按既定范围划分成格点状,以格点为单位做气象要素预报,目前已有5km格点气象要素预报业务。精细化气象要素格点预报是格点预报中的一种高分辨率预报,预报方法通常是指以当前数值预报为基础,结合观测资料将格点数据,根据从业人员的经验订正得出预报值做精细化处理以及矫正误差。但由于传统数值预报在高分辨率的短期预报准确度不足,加强预报准确性手段仍以人工订正为主,并且随着精细化气象要素格点预报业务部署使用,如何提升短临预报的准确性及精细化预报的精细化程度,是一个具有重大意义的研究方向。本论文首先介绍与分析了精细化格点气象要素预报订正的工作方式与格点数据,根据气象要素变化的空间与时序特征,本文引入了深度学习领域解决时空序列问题的ConvGRU特征提取结构,并在分析研究ConvGRU结构原理与特性后,使用结合了ConvGRU的类Encdoer-Decoder结构应用于气象要素格点订正问题。最后,根据ConvGRU结构对气象要素格点订正问题的实验,提出了一种基于时空序列的MeLC-GRU模型,并在实验过程中对MeLC-GRU模型的进行了进一步的优化设计。本论文使用EC实况数据作为训练目标,使用历史EC实况数据结合当时的EC模式预报数据训练MeLC-GRU模型,最后将训练完成的MeLC-GRU模型进行格点订正并评价。实验结果表明,在本文的数据集上,与数值预报产品以及其他订正算法相比,基于MeLCGRU模型的气象要素格点订正算法对数值预报订正效果更好,具有良好的时空特征提取性能,并且展现了模型智能自动化订正在高分辨率预报中的一定优势。