卷积神经网络在气象短临预报的研究与应用

发布时间：2020-08-13 00:21

【摘要】：近年来随着社会信息化的加速,人们对气象预报的要求逐渐提高。强对流天气因其突发性强、破坏力大等特点,受到气象部门的重视。短临预报作为防范强对流天气的预报手段,具有重要的研究意义。但目前进行短临预报多是基于雷达回波的光流法,而光流法存在着一些局限性,由于光流估计步骤和雷达回波外推步骤是分开的,参数的确定变得比较困难。随着深度学习的高速发展,深度学习在各个领域的应用也变得越来越多,于是本文采用深度学习方法对短临预报的降水方面进行应用研究。降水短临预报本质上是从一系列雷达回波序列预测未来的雷达回波,可以看成一个时空序列预测问题,本文在研究和总结了常用的神经网络的基础上,参考了ConvLSTM(Convolutional LSTM)结构提出了一种结合卷积神经网络(Convolution Neural Network,CNN)和GRU(Gated Recurrent Unit)的ConvGRU模型(Convolutional GRU),由于GRU的结构比LSTM更为简单,但在效果上相差不大,该模型相比于ConvLSTM结构拥有更快的训练速度和更小的内存需求。本文的另一项工作是基于VGGNet(Visual Geometry Group Net)对卷积层进行了改进,使用多个小的卷积核叠加代替大的卷积核,减少了参数数量,提升了网络的特征提起能力。该模型充分发挥了卷积神经网络和GRU的优点,即卷积结构的空间特征提取能力和GRU的善于处理时间序列问题的记忆能力。最后通过实验对比该模型与光流法的预报效果,验证该模型在降水短临预报问题的适用性。
【学位授予单位】：华南理工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：P456.1;TP183
【图文】：

函数图像,函数图像

图 2.1 Sigmoid 函数图像数的优点是能把输出映射在(0,1)的区间之内，且单调连续，是它也有一些缺点，例如输出并不是以 0 为中心，影响计算出现梯度消失现象。 Tanh 函数由 Sigmoid 函数变形而来，它的表达公式如下所示h h公式如下:'h 的图像如图 2.2 所示：

函数图像,函数图像

图 2.1 Sigmoid 函数图像moid 函数的优点是能把输出映射在(0,1)的区间之内，且单调连续，求导容易定，但是它也有一些缺点，例如输出并不是以 0 为中心，影响计算，并且由性容易出现梯度消失现象。曲正切 Tanh 函数由 Sigmoid 函数变形而来，它的表达公式如下所示：h h（2数计算公式如下:'h （2数对应的图像如图 2.2 所示：

函数图像,函数图像

比 Sigmoid 更常用的一种激活函数，相比于 Sigmoid，它的输出以 0 位中速度更快，但是仍然没有解决梯度消失问题。纠正函数(Rectified Linear Units, ReLU)是在深度学习领域最近几年非常函数，它的表达公式如下所示:tmax h U 函数对应的图像如图 2.3 所示。它的优点是相比于 Sigmoid 函数和 Ta加快速的收敛，同时也减少了在使用 Sigmoid 函数和 Tanh 函数时存在的最重要的是，它能有效的缓解梯度消失的问题。来说，激活函数的选取并没有真正的正确答案，还需与实际情况相结合考虑不同激活函数的优缺点综合使用。

【参考文献】