基于EOF和LSTM的广西月降水量预测模型研究

摘要

针对夏季降水天气过程具有时间相关性和非线性变化的特点,以及现有预报方法未能充分获取月降水量的本质特征而造成的建模因子处理和预报建模困难等问题,提出了一种以自然正交展开(EOF)与深度学习长短期记忆神经网络(LSTM)相结合的月降水量预测模型。以广西81个气象观测站7月降水量为预报研究对象,对81站7月降水量作EOF计算,选取累积方差贡献超过76%的前7个主分量作为预报分量,再利用LSTM模型建立月降水量的深度学习预测模型,以1960—2016年81站7月降水量为建模样本,2017—2022年为独立样本进行建模研究。结果表明,在相同的预报建模样本和相同的预报因子条件下,新建立的预测模型比线性逐步回归预报方法有更高的预报能力,显示了对非线性月降水量预测问题的适用性。由于LSTM模型隐层里引入了存储单元状态和门结构,使得网络能够保留长期的状态,更适合于处理和预测时间序列中间隔和延迟相对较长的重要问题。