一种基于迁移学习和长短期记忆神经网络的降水预报方法

摘要

为给智能网格强降水预报提供客观参考，提出了一种基于迁移学习和长短期记忆神经网络(LSTM)的降水预报方法。迁移学习是一种机器学习方法，可将源域学习到的知识迁移到目标域中以应用；LSTM是一种可以处理序列数据中的长期依赖关系的深度学习模型。基于2009—2022年广东省肇庆市6个国家气象观测站逐小时雨量、气温、气压、相对湿度、风向和风速的观测资料，以肇庆高要国家气象观测站作为目标域，其它5个国家气象观测站作为源域，利用迁移学习方法对目标域有缺失值的观测资料进行订正，使目标域形成完整的训练样本；然后，利用深度学习方法，对目标域分别建立单变量LSTM日雨量预报模型和多变量LSTM小时雨量预报模型；最后，对目标域2022年日雨量与小时雨量进行预报，与对应实况对比。结果表明：(1)单变量LSTM预报方法在1—2月、6月、10—12月的24 h晴雨预报准确率在80%以上，多变量LSTM预报方法在3月、6月、8月、12月的1 h晴雨预报准确率在80%以上。(2)单变量LSTM预报方法仅6月能预报出24 h雨量在50 mm以上的强降水，多变量LSTM预报方法在3月、5月、6—8月能预报出1 h雨量在20 mm以上的强降水，其中3月和6月的小时雨量预报TS评分高于25%。

关键词

降水预报 / 时间序列 / 迁移学习 / LSTM / 深度学习