深度学习方法在干旱预测中的应用

使用标准化降水蒸散指数作为农业干旱的监测指标,以站点气象要素和大尺度环流要素为驱动变量,建立干旱预测模型,分析评价传统的整合移动平均自回归(ARIMA)时间序列模型以及不同深度神经网络模型(DNN)的预测效果.结果 表明:DNN模型的总体预测能力优于ARIMA模型;同基于长短期记忆网络(LSTM)提出的传统LSTM预测模型(TLSTM)相比,改进的LSTM模型(ILSTM)通过预处理全连接层对预测因子进行非线性映射,能够自动剔除无效信息,提取高层次综合特征,可使预测序列和观测序列的相关系数提升0.04～0.25,均方根误差降低0.07～0.32,误差绝对值的平均降低0.06～0.27;卷积神经...

Full description

Bibliographic Details

Published in:	应用气象学报 Vol. 33; no. 1; pp. 104 - 114
Main Authors:	米前川, 高西宁, 李玥, 李馨仪, 唐莹, 任传友
Format:	Journal Article
Language:	Chinese
Published:	沈阳农业大学农学院,沈阳110866 2022
Subjects:	干旱预测;标准化降水蒸散指数;长短期记忆网络;卷积神经网络;深度学习
Online Access:	Get full text
Tags:	Add Tag No Tags, Be the first to tag this record!