典型文献
深度学习方法在干旱预测中的应用
文献摘要：
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;卷积神经网络(CNN)可提取影响干旱变化的大尺度环流信息,其与ILSTM的组合深度网络模型(CLSTM)可进一步使相关系数提升0.03～0.44,均方根误差降低0.09～0.33,误差绝对值的平均降低0.05～0.26.CLSTM模型可应用于短期区域性干旱变化气候预测.
文献关键词：
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
中图分类号：
作者姓名：
米前川;高西宁;李玥;李馨仪;唐莹;任传友
作者机构：
沈阳农业大学农学院,沈阳110866
文献出处：
引用格式：
[1]米前川;高西宁;李玥;李馨仪;唐莹;任传友-.深度学习方法在干旱预测中的应用)[J].应用气象学报,2022(01):104-114
A类：
TLSTM,CLSTM
B类：
深度学习方法,干旱预测,标准化降水蒸散指数,农业干旱,监测指标,气象要素,大尺度环流,移动平均自回归,ARIMA,时间序列模型,不同深度,深度神经网络模型,DNN,预测能力,长短期记忆网络,ILSTM,全连接层,预测因子,非线性映射,自动剔除,高层次综合,预测序列,流信息,深度网络模型,化气,气候预测
AB值：
0.283551
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
