基于ConvLSTM及双重注意力机制的2 m气温预报订正方法

摘要

为了降低2 m气温传统数值预报模型(GRAPES＿GFS)的预测值和观测值之间的高偏差，提高预测精度，本文结合气象数值模式(GRAPES＿GFS)格点资料以及对应的观测资料，提出一种基于卷积长短时记忆(ConvLSTM)网络并结合注意力机制的2 m气温预报订正模型．首先，由局部特征提取模块提取输入数据的局部浅层特征;其次，将提取到的特征图输入特征注意力模块，对数据的不同通道维度与不同空间维度赋予不同的权重，抑制与2 m气温相关性低的气象要素的权重，实现对2 m气温数据中高温地区的局部增强;最后，采用ConvLSTM网络捕获数据时间维度特征，同时输出预报订正结果．实验结果表明:本文所提模型在时效为12～36 h的2 m气温预报中，与GRAPES＿GFS模式预报结果相比，各项数值评价指标均有改善，皮尔森相关系数从0.55左右提升到0.87左右，均方根误差从1.74～2.06℃降低到0.90～1.10℃，平均绝对误差从1.36～1.64℃降低到0.69～0.84℃．与主流订正模型相比，本文模型也取得了较好的订正效果．

关键词

通道注意力 / 空间注意力 / ConvLSTM / 预报订正 / 多气象要素