Apr, 2024

利用长短期记忆网络（LSTM）合并西班牙内华达山区的降水数据

PDF
TL;DR利用长短时记忆（LSTM）深度学习技术，在较高分辨率的时间和空间尺度上将基于雷达和卫星的全球降水测量产品合并，以有效捕捉观测的时间趋势并提高准确性，其中包括采用偏差修正技术以增强合并降水产品的准确性。
precipitation estimationhigh mountainous complex terraindeep learning (dl) modelslong short-term memory (lstm)bias correction techniques
发现论文，激发创造
  • GPM 集成多卫星获取的全球降水预报：一种 U-Net 卷积 LSTM 架构

    本文提出了一种基于深度学习架构的降水模拟方法，该方法可以全球范围内每 30 分钟进行一次未来 4 小时的预测。该架构融合了 U-Net 和卷积长短期记忆（LSTM）神经网络，并使用来自全球预报系统（GFS）的集成多卫星降水检索数据（IMERG）和一些关键的降水驱动因素进行训练。通过研究不同的训练损失函数（包括均方误差和分类误差），评估了对降水模拟精度的影响，结果表明分类网络在极端降水模拟方面表现优于回归网络。核心成功指数证实了分类网络的预测降水更接近 IMERG。同时，研究发现物理变量的引入可以提高降水模拟的准确性，特别是对于较长的预测时段。在分辨率为 10 公里的尺度下，该模型仍然具有较高的技能得分，尤其对于 4 毫米 / 小时以上的降水情况。

    Jul, 2023

  • DeepRain: 使用多通道雷达数据的 ConvLSTM 网络进行降水预测

    本研究介绍了一种基于深度学习 (ConvLSTM) 的新型数据驱动的降雨预测模型 DeepRain，使用天气雷达三维四通道数据预测降雨量，并且在实验中与线性回归相比，二重 ConvLSTM 的 RMSE 降低了 23.0%。

    Nov, 2017

  • 融合格网卫星和气象站降水数据的 Ensemble 学习

    本文提出了 11 个集成学习器并将它们与 PERSIANN 和 IMERG 数据集以及 GHCNm 数据进行比较，证明了这些集成学习器对卫星降水产品的预测精度有所提高。

    Jul, 2023

  • 使用 CNN-LSTM 简洁建模进行水流预测

    在这项研究中，我们将 CNN-LSTMs 的应用扩展到时间序列设置中，利用滞后的水流数据与降水和温度数据相结合，预测水流状况，并在内布拉斯加州的 32 个 HUC8 流域中的 21 个流域中取得了显著的预测性能改进，展示了 Kling-Gupta 效率值的显著增加，从而突出了 CNN-LSTMs 在时间序列设置中的效果，特别适用于准确且鲁棒的水流预测的时空水文建模。

    Apr, 2024

  • 荷兰的短期降水预测：基于卷积 LSTM 神经网络的天气雷达数据应用

    此研究利用 ConvLSTM 神经网络将天气雷达数据应用于短期降水预测，通过卷积神经网络层进行空间模式识别和 LSTM 网络层进行时间序列建模，构建了一个包含九层的自动编码器模型。结果表明，ConvLSTM 网络在气象预测中有着高准确性，尤其在天气复杂的地区具有显著潜力，为气象任务提供了一种更准确、数据驱动的方法。

    Dec, 2023

  • 利用机器学习应用于大样本数据集实现学习普适、区域和局部水文行为

    使用气象时间序列数据和静态流域属性，我们提出了一种基于数据驱动的方法，在使用 LSTMs 单个模型对 531 个流域进行训练的情况下，显著提高了性能，比符合地区性条件的水文模型和针对单个流域进行校准的水文模型的表现更好，同时还提出了 Entity-Aware-LSTM 的改进网络架构使学习、嵌入和特征层深度学习可以在其上实现，同时提出的这个背景与之前的水文理解相符。

    Jul, 2019

  • 利用具有数据整合的长短期记忆网络增强洪水流量预测和提取见解的能力

    本文采用一种称为数据集成的灵活方法，在长短时记忆流量模型基础上，通过利用最近的排放测量来改善洪水预测。在不同地区的测试中，该方法提高了洪水预测的性能，但在高干旱盆地的一日性的阶段性高峰中该方法并无效。

    Dec, 2019

  • 发掘动态模式分解和深度学习在印度东北降雨预测中的能力

    使用 Dynamic Mode Decomposition (DMD) 和 Long Short-Term Memory (LSTM) 这两种数据驱动的方法，研究了印度东北地区 118 年来的日降雨数据，并进行了降雨预测的相对效果比较分析，结果显示 LSTM 在准确性方面优于 DMD，展现了 LSTM 捕捉数据中复杂非线性关系的能力，从而成为降雨预测的强大工具，并提出数据驱动方法和深度学习方法可以显著提高印度东北地区的降雨预测准确性，帮助减轻极端天气事件的影响并增强该地区对气候变化的适应能力。

    Sep, 2023

  • 基于雷达的降水量的深度时间插值

    研究了一种利用神经网络和气象卫星数据的降水插值方法，与基于线性插值的基准相比，可以降低高达 20％的洪水风险。

    Mar, 2022

  • 提高孟买降雨预测的精度：利用物理信息的 ConvLSTM2D 模型提供更高的空间和时间分辨率

    本研究引入深度学习空间模型以提高精确预测城市等细致空间尺度下降水，通过使用特定地点的物理信息数据和局部精度，反映气象研究领域的当前进展。

    Apr, 2024