基于LSTM神经网络的我国多气象要素的多模式集成预报研究

发布时间：2023-03-05 00:39

　　基于TIGGE资料中的欧洲中期天气预报中心(ECMWF)、英国气象局(UKMO)、美国国家环境预报中心(NCEP)、韩国气象厅(KMA)、和日本气象厅(JMA)五个中心2015年1月1日—9月30日中国地区(70°—140°E,15°—60°N)2m气温、10m纬向风、10m经向风和2m露点温度24—168 h集合预报资料,结合ERA-Interim再分析日资料,并且将其作为“观测”资料来参与训练和预报效果的检验。首先,利用“观测”资料对不同模式多要素的预报值进行检验,了解各模式对多要素的预报误差,评估其预报能力;然后再使用长短期记忆神经网络(LSTM)、浅层神经网络(NN)、随机森林(RF)、滑动训练期消除偏差集合平均(BREM)和滑动训练期多模式超级集合(SUP)方法对多个模式的结果进行后处理预报试验,评估不同后处理方法的预报效果;最后,探究传统多模式集成和机器学习对2013年夏季我国南方地区区域性高温的第三次过程(7月22日—8月21日)的集成预报。综合来看,对中国区域多气象要素的预报能力最好的单模式是ECMWF。各个中心模式的预报效果区别较大,并且在地理分布上存在明显的差异。在...

【文章页数】：67 页

【学位级别】：硕士

【文章目录】：
中文摘要
Abstract
第一章 绪论
    1.1 引言
    1.2 国内外研究进展
        1.2.1 多模式集成研究进展
        1.2.2 神经网络的国内外发展
第二章 资料和方法
    2.1 TIGGE资料介绍
    2.2 本文所用的资料
        2.2.1 模式资料
        2.2.2 “观测”资料
    2.3 方法
        2.3.1 滑动训练期消除偏差集合平均
        2.3.2 滑动训练期超级集合
        2.3.3 随机森林
        2.3.4 浅层神经网络
        2.3.5 LSTM神经网络
    2.4 评估方法
第三章 单个模式预报能力的对比检验
    3.1 引言
    3.2 各模式对地面气温预报的能力评估
    3.3 各模式对纬向风预报的能力评估
    3.4 各模式对经向风预报的能力评估
    3.5 各模式对露点温度预报的能力评估
    3.6 本章小结
第四章 多模式集成及机器学习对多要素预报能力的对比试验
    4.1 引言
    4.2 多模式集成及机器学习对地面气温预报能力的对比试验
    4.3 多模式集成及机器学习对纬向风预报能力的对比试验
    4.4 多模式集成及机器学习对经向风预报能力的对比试验
    4.5 多模式集成及机器学习对露点温度预报能力的对比试验
    4.6 本章小结
第五章 多模式集成及机器学习对高温过程预报能力的对比试验
    5.1 引言
    5.2 资料
        5.2.1 模式资料
        5.2.2 “观测”资料
    5.3 多模式集成及机器学习对高温过程预报能力的对比试验
    5.4 本章小结
第六章 总结与讨论
参考文献
作者简介
致谢



本文编号：3755337