基于深度学习的印度夏季季风降水预测
摘要：使用ConvLSTM网络开发了一种深度学习模型，用于降水预测。该模型通过基于卷积的特征选择和利用气象领域中的长期记忆与基于梯度的学习算法相结合，开发了一种预报模型。在使用输入数据之前，我们探索了各种技术来克服数据集的困难。我们采取了一种策略性的方法来处理缺失值，并讨论了模型捕捉实际降水的准确性。模型的分辨率为25公里。预测数据和相应的观测记录进行了为期2天的相关系数比较，显示出一天和两天的提前期分别为0.67和0.42的相关系数。模式表明，在西警告山脉和季风槽地区的相关系数较高（提前一天和两天的相关系数分别为0.8和0.6）。此外，我们还根据技巧分数、均方误差、相关系数和ROC曲线对模型性能进行了评估。这项研究表明，仅基于单个降水变量的采用的深度学习方法在短期范围内具有合理的技巧。基于多变量的深度学习方法有潜力与最先进的数值天气预报模型相匹配甚至更好地完成短期降水预报。
作者：Bipin Kumar, Namit Abhishek, Rajib Chattopadhyay, Sandeep George, Bhupendra Bahadur Singh, Arya Samanta, B.S.V. Patnaik, Sukhpal Singh Gill, Ravi S. Nanjundiah and Manmeet Singh
论文ID：2107.04270
分类：Atmospheric and Oceanic Physics
分类简称：physics.ao-ph
提交时间：2023-02-28