基于深度LSTM神经网络的大气可降水量估算模型

作者:罗宇罗林艳范嘉智段思汝高文娟

关键词: LSTM; GPS MET; 大气可降水量; 估算模型; 怀化地区;

摘要：基于深度长短期记忆（LSTM）神经网络,分别利用地面气象多要素（气温、气压、露点温度、相对湿度、水汽压、小时降水量）和单要素（水汽压）建立怀化地区GPS大气可降水量估算模型LSTM5和LSTM1,并对模型精度进行分析。结果表明,利用地面气象要素建立的2种大气可降水量深度LSTM模型有较好的估算精度,决定系数均大于0.94,均方根误差均值小于1.158 1 mm,平均绝对误差均值小于0.709 9 mm,平均绝对百分比误差均值小于4.54%,较基于水汽压的可降水量线性拟合或二次多项式拟合模型的估算精度提升了70%以上,且LSTM1模型精度略优于LSTM5模型;模型估算精度与大气可降水量条件相关,当可降水量较低或较高时,模型估算结果更为理想;同时模型估算精度与观测站海拔呈现正相关,观测站海拔越高LSTM模型精度越高。

上一篇：基于多时相遥感数据的水稻种植面积信息提取
下一篇：Cep164基因对CP110在中心粒上表达的影响

基于深度LSTM神经网络的大气可降水量估算模型

作者:罗宇 罗林艳 范嘉智 段思汝 高文娟

关键词: LSTM; GPS MET; 大气可降水量; 估算模型; 怀化地区;

作者:罗宇罗林艳范嘉智段思汝高文娟