臺風是一種極端天氣事件,每年夏季會對沿海地區(qū)城市經(jīng)濟造成重大損失,預測臺風的形成和強度對臺風災害的預警至關重要。傳統(tǒng)的基于熱動力方程的數(shù)值預報方法和基于經(jīng)驗關系的統(tǒng)計預報方法現(xiàn)如今仍難以準確地預測臺風強度。此外,一些研究雖然也嘗試用機器學習方法進行預測來提高準確率,但通常沒有考慮臺風相關變量之間的時空關系。本文提出了一種基于深度學習的臺風時空深度混合預測模型,可以彌補現(xiàn)有方法的不足之處。本文模型引入了三維卷積神經(jīng)網(wǎng)絡(3DCNN)和二維卷積神經(jīng)網(wǎng)絡(2DCNN)來學習臺風相關大氣海洋變量之間的空間關系,利用LSTM來學習臺風變化過程中的時序關系。針對西太平洋(WP)、東太平洋(EP)、北大西洋(NA)三個海域的大量臺風形成與強度預測實驗表明,本文模型優(yōu)于現(xiàn)有官方組織使用的諸多數(shù)值預報方法、統(tǒng)計預報方法和機器學習方法。臺風24h形成預測實驗中,本文模型能達到的最高準確率為85.2%,Auc值(ROC曲線下的面積)為92.2%,24h強度預測實驗中,最小誤差為7.4kt(1kt=0.512m/s)。并且在參數(shù)分析時發(fā)現(xiàn),模型訓練時的超參數(shù)如學習速率最好設置為10-4的量級,并在25～35個...

【文章頁數(shù)】：82 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景及意義
    1.2 本文工作
    1.3 論文結構
第二章 相關研究方法
    2.1 相關臺風預測方法
        2.1.1 數(shù)值預報方法
        2.1.2 統(tǒng)計預報方法
        2.1.3 機器學習方法
    2.2 相關深度學習網(wǎng)絡
        2.2.1 前饋神經(jīng)網(wǎng)絡
        2.2.2 卷積神經(jīng)網(wǎng)絡(CNN)
        2.2.3 長短期記憶神經(jīng)網(wǎng)絡(LSTM)
第三章 基于深度學習的臺風時空深度混合預測模型
    3.1 引言
    3.2 問題定義
    3.3 模型框架
        3.3.1 海表變量X^S二維空間關系的特征學習
        3.3.2 大氣變量X^P三維空間關系的特征學習
        3.3.3 臺風變化過程中時序關系的特征學習
    3.4 實現(xiàn)方法
        3.4.1 實現(xiàn)平臺
        3.4.2 實現(xiàn)流程
第四章 基于時空深度混合預測模型的臺風形成及強度預測
    4.1 臺風數(shù)據(jù)集和氣象海洋再分析數(shù)據(jù)集的獲取
    4.2 基于臺風時空深度混合預測模型的臺風形成預測
        4.2.1 實驗數(shù)據(jù)集的構造與預處理
        4.2.2 評價指標與損失函數(shù)
        4.2.3 網(wǎng)絡設置
        4.2.4 對比方法
        4.2.5 結果分析
        4.2.6 參數(shù)分析
    4.3 基于臺風時空深度混合預測模型的臺風強度預測
        4.3.1 實驗數(shù)據(jù)集的構造與預處理
        4.3.2 評價指標與損失函數(shù)
        4.3.3 網(wǎng)絡設置
        4.3.4 對比方法
        4.3.5 結果分析
    4.4 模型預測實驗總結
第五章 總結與展望
    5.1 研究工作總結
    5.2 未來工作展望
致謝
參考文獻
作者在學期間取得的學術成果



本文編號：3764864