结合RF与1DCNN的多信息融合气温预报方法

摘要

气温是影响气候最主要的参数之一,其中气温预报对识别干旱、洪涝等极端气象灾害具有重要意义。基于机器学习理论,提出一种将随机森林(RF)和一维卷积神经网络(1DCNN)相结合的多信息融合气温预报方法。首先,运用差分法将气象观测数据转化为平稳的时间序列数据;其次,运用RF方法挖掘出与气温高度相关的特征变量作为神经网络模型的输入变量;最后,构建多信息融合气温预报模型RF-1DCNN。以云南省昆明市历史气象观测数据为例,与传统的LSTM、1DCNN和反向传播神经网络(BP)对未来10小时的气温预报性能进行比较研究。研究结果表明,RF-1DCNN的均方根误差(RMSE)相较于LSTM、1DCNN和BP最大降低了13.110%、26.176%和17.612%,皮尔逊相关系数(r)最大提高了0.240%、0.567%和0.355%,表明该研究方法具有较好的学习能力、泛化能力和拟合能力,为气温的精准预报提供了技术支撑。