典型文献
基于MLP神经网络的大气加权平均温度模型
文献摘要：
以中国西南地区2015～2017年探空数据为实验数据,使用多层感知器(MLP)神经网络回归方法建立西南地区的加权平均温度(Tm)模型.将气象参数(地表温度、水汽压)和非气象参数(高程、纬度和年积日)作为模型输入因子,由数值积分法计算得到的Tm作为学习目标,通过神经网络模型进行迭代训练从而得到中国西南地区的Tm.以2018年探空站Tm数据为参考值,对MLP模型精度进行验证,并与Bevis模型和GPT3模型进行对比分析.结果表明,MLP模型的年均RMSE和年均bias分别为1.99 K和0.15 K,比Bevis模型、GPT3模型年均RMSE分别降低1.36 K(40.6％)和1.51 K(43.1％),年均bias分别下降0.70 K(82.4％)和1.04 K(87.4％),且该模型在中国西南区域不同高程、纬度和季节的精度与稳定性优于Bevis模型和GPT3模型.
文献关键词：
大气加权平均温度;多层感知器;精度检验;西南地区
中图分类号：
作者姓名：
谢劭峰;曾印;张继洪;张亚博;熊思
作者机构：
桂林理工大学测绘地理信息学院,桂林市雁山街319号,541006;湖北科技学院资源环境科学与工程学院,湖北省咸宁市咸宁大道88号,437100
文献出处：
引用格式：
[1]谢劭峰;曾印;张继洪;张亚博;熊思-.基于MLP神经网络的大气加权平均温度模型)[J].大地测量与地球动力学,2022(11):1105-1110
A类：
B类：
MLP,大气加权平均温度,温度模型,中国西南地区,探空数据,多层感知器,神经网络回归,Tm,气象参数,地表温度,水汽压,纬度,年积日,模型输入,数值积分,积分法,学习目标,迭代训练,探空站,参考值,模型精度,Bevis,GPT3,RMSE,bias,别下,西南区域,精度检验
AB值：
0.326645
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。
