论文部分内容阅读
短时降雨预测存在雷达回波图像预测分辨率和预测时间精度要求远高于传统气象预测的特点。然而,传统短时降雨预测的方法存在着模型构建过于复杂、以及多步预测的累积误差等问题。本文面向省气象台关于短时降雨的预报需求,结合雷达回波图像数据,基于卷积自编码器和LSTM循环神经网络,研究并实现反映降雨情况的雷达回波图像时序特征预报模型。本文的主要工作及贡献如下:(1)基于卷积自编码器的雷达回波序列图像空间特征提取和图像重构。本文基于卷积自编码器神经网络的训练,实现了关于雷达回波图像空间特征的学习;在此基础上,基于卷积自编器的编码模块获取雷达回波图像序列历史数据的空间特征。同时,结合来自长短时记忆循环神经网络关于未来时段雷达回波图像时序特征的预测,基于卷积自编码器的解码模块实现关于未来短时雷达回波图像的预测重构。实验验证了该方法的有效性。(2)基于长短时记忆循环神经网络的雷达回波图像时序特征提取和预测。本文构造了具有编码-预测结构的长短时记忆(LSTM)循环神经网络,完成了关于雷达回波图像时序特征的学习;在此基础上,基于LSTM循环神经网络的编码模块,以及历史雷达回波图像序列的空间特征,实现关于历史雷达回波图像时序特征的提取。同时,基于LSTM循环神经网络的预测模块,实现了关于未来时段降雨相关的雷达回波图像时序特征的预测。实验验证了该方法的有效性。