典型文献
基于全连接神经网络方法的日最高气温预报
文献摘要：
为了考察辅助变量、时间滞后变量设置的重要性和神经网络中嵌入层对分类变量处理的有效性,利用2015年1 月 15日-2020年 12月31 日 欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts,ECMWF)高分辨率模式(high resolution,HRES)输出产品及中国2238个国家级地面气象站基本气象要素数据集,在全连接神经网络基础上设计4个试验,构建24 h最高气温预报神经网络模型.结果表明:加入辅助变量、时间滞后变量的特征和带有嵌入层的全连接神经网络结构的深度学习神经网络模型对HRES日最高气温预报误差均有订正效果,均方根误差降低29.72％～47.82％,温度预报准确率提高16.67％～38.89％.加入经过嵌入层处理的辅助变量后,可显著提高青藏高原中南部和西南地区东部的平均绝对偏差不超过2℃的正技巧站点比例(比仅用HRES预报因子建模分别提高21.74％和14.17％),在此基础上加入时间滞后变量显著提高上述两个地区的平均绝对偏差不超过2℃C的正技巧站点比例(比仅用HRES预报因子建模分别提高40.98％和20.33％),且预报性能更加稳定.
文献关键词：
深度学习;嵌入层;全连接神经网络;日最高气温
中图分类号：
作者姓名：
赵琳娜;卢姝;齐丹;许东蓓;应爽
作者机构：
中国气象科学研究院,北京100081;成都信息工程大学大气科学学院,成都610225;中国气象局-中国地质大学(武汉)极端天气气候与水文地质灾害研究中心,武汉430074;湖南省气象台,长沙410118;国家气象中心,北京100081;吉林省长春市气象台,长春130062
文献出处：
引用格式：
[1]赵琳娜;卢姝;齐丹;许东蓓;应爽-.基于全连接神经网络方法的日最高气温预报)[J].应用气象学报,2022(03):257-269
A类：
日最高气温预报
B类：
全连接神经网络,神经网络方法,辅助变量,嵌入层,分类变量,天气预报,European,Centre,Medium,Range,Weather,Forecasts,ECMWF,高分辨率模式,high,resolution,HRES,出产,地面气象,气象站,气象要素数据,网络基础,神经网络结构,深度学习神经网络,预报误差,订正,温度预报,预报准确率,高青,青藏高原,中南部,西南地区东部,平均绝对偏差,预报因子,预报性能
AB值：
0.314211
相似文献
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。
