典型文献
基于传统和深度学习技术的黄渤海域大风预报方法研究
文献摘要：
基于黄渤海域站点风速观测资料以及TIGGE资料,选取欧洲数值预报中心(EC)、中国(CMA)、美国(NCEP)、加拿大(ECCC)4家集合预报产品,在综合评估各家性能的基础上,构建、优化和对比了海上大风集成平均(EM)、动态权重(WEM)、变权偏差订正(BCWEM)3类传统集成方法和长短期记忆神经网络(LSTM)方法.结果表明:LSTM在大风集成预报中性能最优.对于黄渤海域10 m风速预报,EC综合表现最好,NCEP在6级及以上大风段优势明显.各家预报误差均具有显著日变化特征,夜间预报能力弱于白天.优化训练期长度和去除表现较差成员可显著改善WEM和BCWEM的大风预报能力.相对EM的预报结果,WEM无明显改进,BCWEM和LSTM则有显著提升,后两者在全风速段和大风风速段上的预报误差均下降10％以上,且在夜间时段更为明显.BCWEM有效订正了EM和WEM方法对弱风速的预报偏差,LSTM则进一步减小了对强风速的预报误差,并提高了对大风站次的命中数和ETS评分.大风个例分析也表明,LSTM有效弥补了传统方法对低涡东移型大风漏报的问题,提升了对冷高压型大风的预报能力,优势明显.
文献关键词：
海上大风;集成预报;动态权重;偏差订正;长短期记忆神经网络
中图分类号：
作者姓名：
刘志杰;刘彬贤;王锐;史得道
作者机构：
天津市西青区气象局,天津300380;天津海洋中心气象台,天津300074
文献出处：
引用格式：
[1]刘志杰;刘彬贤;王锐;史得道-.基于传统和深度学习技术的黄渤海域大风预报方法研究)[J].海洋预报,2022(06):34-43
A类：
ECCC,WEM,BCWEM
B类：
深度学习技术,黄渤海,海域,大风预报,预报方法研究,观测资料,TIGGE,数值预报,CMA,NCEP,加拿大,家集,集合预报,预报产品,各家,海上大风,成平,动态权重,变权,偏差订正,类传,集成方法,长短期记忆神经网络,集成预报,风速预报,综合表现,预报误差,日变化特征,白天,训练期,风速段,风风,预报偏差,强风,命中,ETS,个例分析,低涡,东移,漏报,冷高压,压型
AB值：
0.331434
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。
