论文部分内容阅读
随着大数据时代的到来,人类加强了收集数据的意识,使得数据挖掘在各个领域有了更多的用武之地。机器学习作为数据挖掘的重要工具被大众所熟知,而深度学习是机器学习的重要发展方向。深度学习以模仿人脑递质的传输机制来解释数据规律为目的,建立了深层神经网络结构模型。深度学习在时间和空间两个方向对特征的提取融合研究发展迅猛,在图像分类、识别等方面取得了惊人的成果。同时,由于之前的气象资料未能有效的处理和保存,而网络模型的训练需要大量的历史数据才会取得较好的效果,所以深度学习算法没有被广泛应用在气象学领域,只停留在一些小规模的研究上。本论文即以深度学习作为主要算法,力图在气象要素格点预报问题上有所突破。首先根据了解的气象学先验知识,选取部分气象要素数据并处理成有效数据集,然后设计适用于气象领域的网络结构,生成未来一段时间内某气象要素的预测结果。主要工作如下:1.提出新的深度学习模型框架KM-ConvGRU,在时间和空间两方面同时对格点数据进行特征提取。KM-ConvGRU模型由初步融合模块PIM和深度相融合模块DIM两部分构成。PIM模块主要作用是对多层多要素的气象格点数据在空间上进行初步的特征提取融合,首先对多层数据进行K-means聚类,之后分别在类内和类间进行卷积运算达到空间特征提取的目的。DIM模块主要作用是对经过初步特征提取融合的数据块进行时空综合特征提取,主要采用多层ConvGRU网络结构。2.收集整理适用于网络训练的数据集。收集目标区域2015-2017年基于EC模式的多要素零场和预报场数据,以及基于地面融合观测的气象要素实况数据。与相关专业人员沟通选定高度、比湿、相对湿度、温度、U风分量、V风分量6个气象要素作为数据集来源,目标区域范围选择纬向5-60度、经向75-135度。之后对收集的数据进行数据清洗和标准化的预处理。最后根据网络结构要求,将数据设计为五维时空数据块。3.针对气象数据集,通过模型内部寻优实验,求得9-KM-ConvGRU为最佳模型;9-KM-ConvGRU模型的实验结果优于其内部模块PIM、DIM作为独立模型时的实验结果;9-KM-ConvGRU模型与经典网络模型对比实验结果表明,9-KM-ConvGRU模型优于GRU网络模型和Conv4D网络模型。9-KM-ConvGRU模型的订正结果比订正前的数据更接近于实况数据,说明此模型具有明显的订正效果。