基于时空优化LSTM深度学习网络的气温预测

新疆天山山脉中段玛纳斯河流域及其周边地区气象观测站点稀疏且分布不均匀,导致对该地区积雪-融雪过程模拟所需的气温要素时空预测精度不高.针对这一问题,提出了基于时空优化长短时记忆(LSTM)深度网络的气温时空精准预测模型.首先,以该地区21个气象观测站点上2015年全年小时气象数据为数据源,利用Pearson相关性分析及多重共线性检验法选取了经度、纬度、风速、地表温度、相对湿度相关性较强的5个特征.其次,引入LSTM深度学习模型对气温等四个气象要素时间序列进行建模及预测,再引入后向传播(BP)神经网络对气象要素值进行优化并实现了将来逐小时气温的精准预测.最后,通过克里金插值(Kriging)制作了未来小时研究区气温空间分布图.对LSTM-BP模型预测精度进行分析,结果表明在研究区观测站点稀疏且分布不均匀情况下,利用提出的BP-LSTM模型预测的小时气温的均方根误差(RMSE)为2.37℃,比单独的LSTM模型降低2.21℃,比LSTM与多元线性回归组合模型降低0.3℃.LSTM-BP组合网络预测的绝对平均误差(MAE)也有所降低.对预测后的气温空间分布情况分析结果进一步验证了该模型的时空预测结果与实际情况一致.