基于机器学习的对流短时预测方法

文摘

在这项研究中,提出了一种基于机器学习的对流短时预测方法。首先,历史数据back-calculated使用金字塔光流的方法。接下来,生成的光流场信息的每个像素和红绿蓝(RGB)图像信息输入到卷积长短期记忆(ConvLSTM)算法用于训练目的。外推过程中,动态特性如旋转、收敛和发散的光流场也被用作预测形成一个最优的短时预测模型。测试分析表明,该算法结合了图像特征提取的能力卷积神经网络(CNN)的顺序学习能力长期短期记忆网络(LSTM)模型建立一个端到端的深度学习网络,这将深深雷达回波的提取高阶特征如纹理结构,空间相关性,相比与传统的演化算法。基于学习通过以上特性,该算法可以预测对流细胞的生成和消散的趋势。的光流信息可以更准确地模拟非线性趋势如旋转、或合并,或雷达回波的分离。雷达回波的轨迹,通过短时预报更接近实际运动,延长有效预测期和提高预测精度。

1。介绍

对流短时预测指的是对流天气系统的短期预测,他们可能产生的灾难性的对流天气,0 - 6小时超出当前的观测时间。目前,基于雷达数据主要包括对流短时预测雷暴识别、跟踪和自动推断技术(1),例如,质心跟踪方法(2- - - - - -4),相关的跟踪雷达回波(tREC)方法(5- - - - - -7,光流法(8- - - - - -13]。

质心跟踪方法只能用于对流降水系统,而TREC方法还可以追踪的层状云降水系统。当面对迅速变化的强烈对流降水系统,TREC失败率明显增加(13]。光流密度场的位移向量定义了每个像素的过渡地区。它是使用亮度计算的约束,承担相应的像素的亮度恒定连续帧。因此,光流是常用的基于运动特性分割和跟踪的应用程序(10]。这些优势可以解决的缺点质心跟踪和TREC方法在某种程度上。然而,成功的基于光流的方法是有限的,因为它没有考虑雷达回波发展的物理意义。因此,它是具有挑战性的预测短期局部对流与快速生成或灭绝14,15]。

传统的光流法只适用于小规模的运动图像特性,尽管金字塔分层技术可以改善这种方法的计算精度和收敛速度16- - - - - -18]。根据(19],尽管金字塔光流法在预测对流雷达回波的优势,它只能跟踪回波特征已经存在于一个图像和无法预测生成或耗散的回声。此外,由于大气运动常常表现出高度非线性和随机干扰行为,光流法是不够的在短时间内有效预测,(0 - 6小时)。

传统的图像识别处理需要手动设置特定的特性,如形状,长宽比,和连通区域的面积来提取所需的信息;偶尔在一个图像的所有像素作为分类器的训练和分类的基本信息。前者不能保证成功提取相关的或显著的特性,而后者往往会引入大量的冗余信息。

受生物自然视觉的认知机制,休博尔和威塞尔20.发现一个独特的网络结构可以有效地降低神经网络的复杂性提出反馈和卷积神经网络(CNN)的概念。CNN有效地解决了传统的预测问题完全通过本地连接,连接网络算法参数共享,将采样。具体地说,与本地连接,每个神经元不是连接到每个神经元在上层,有效地减少了参数的数量在训练。每组的连接股票卷积核的参数,这样可以减少所需的培训,加快训练速度。用于将采样池方法大大减少了特征尺寸和数量的计算和避免过度拟合。与其他神经网络相比,CNN显示性能优越在自动提取图像的特征21- - - - - -23]。刘等人。24)利用CNN技术提取极端天气事件(热带气旋、大气河流和额活动)从气候数据和获得有意义的结果。

另一个神经网络方法是递归神经网络(RNN),适用于数据具有时间序列特性(25- - - - - -27]。在实际训练过程中,梯度消失,有时发生爆炸。要解决这些问题,一个更复杂的RNN名叫长短期记忆网络(LSTM)提出了28]。使用LSTM,中长期时间序列的数据信息可以保存完好。它有利于训练和模型与时间序列特征和气象数据,使用LSTM进行预测研究。Akram和埃尔29日每小时)使用15年的气象数据训练多层LSTM模型和预测气象条件24和72小时。他们发现LSTM可以预报一般天气变量有更好的精度。

CNN和LSTM适合提取空间特征和处理时间序列,分别。集成这两个值得探索的技术,为了学习和训练数据集具有时空特性更有效率。由于短期短时预测基于雷达回波是一个预测问题,包括序列的时空特性,史等。14)提出了ConvLSTM算法,基于CNN和LSTM。ConvLSTM,基于传统LSTM,回旋的结构被添加到每个LSTM单元。与传统LSTM相比,这种混合网络有更大的能力来提取雷达回波的空间特性。通过使用三维雷达数据,金正日et al。30.应用ConvLSTM预测降雨量,结果表明,ConvLSTM比FC-LSTM和线性回归。

虽然ConvLSTM算法表现良好在对流重点培训与学习的基础上进化模式使用历史数据的雷达回波,它缺乏动态字段数据(如U, V风场)在输入预测可能的潜在因素之一代或耗散的回声。在这篇文章中,我们模拟近理想的背景风场(U, V)从雷达数据获得使用金字塔光流的方法。两个组件的背景风场(U, V)和三个渠道Red-Blue-Green的雷达回波图像作为5 ConvLSTM的预测因素。如下所示的结果,它将确认新的模型执行比光流的方法。摘要组织如下。节2、机器学习系统的简要描述和提供的材料和方法。节中给出了两种情况下的结果3,其次是总结和结论部分4。

2。数据和方法

在这项研究中,河南在中国选为感兴趣的领域和雷达数据从2016年到2017年。基于红,绿,蓝(RGB)雷达图像的图像信息,改进的机器学习算法被用来研究对流回波的短时预测技术,我们提供一个技术支持严重对流天气的短时预测和预警。

2.1。数据处理

收集的监控数据8雷达(图1)位于郑州市,洛阳城,三门峡城市濮阳市平顶山城市,商丘城市,河南省南阳城市,市区北郊。nonmeteorological杂物被过滤后,梁堵塞补偿,和频率衰减校正(31日- - - - - -33),最近邻和垂直线性插入被应用于径向和方位方向(34,35]以极坐标转换成网格点。此后,体重指数函数法是利用处理雷达数据从不同的扫描模式,不同的乐队,和不同代次的数据在三维笛卡尔坐标系统统一的观测时间和分辨率,导致CAPPI 31轮廓飞机组成的复合映射在同一基础地图。垂直扩展高度18公里,垂直网格间距(∆z)是0.25公里以下的高度3公里,延伸0.5公里9公里,之后∆z在1公里保持不变。分别水平间距和时间分辨率0.01°,6分钟。31日的最大级别的CAPPI然后映射到同一层获得合并后的反射率,它用作输入雷达图像光流和ConvLSTM。

为了使模型更通用的,数据的长程和恶劣天气都包含在训练数据集学习回声在各种天气条件下的演化特征。这个实验选择体积数据的雷达组合从2016年5月到2017年4月为每个连续两个小时。总共有50000个样本作为数据集,其中80%被用作训练集和测试集的20%。”第一个5雷达图像(30分钟)的雷达回波图像在每个初始时间被用作输入数据和未来20图像(2小时)作为输出。由于样本集的低比例的强对流天气,样本均衡(即。,resample and data-augmentation technologies) was processed to make the proportion of samples in each batch more balanced. Then, about 5,000 samples selected from May to August 2017 were used as test sets to evaluate the forecasting ability of the model, and 7 strong weather events (Table1)从测试集选择案例研究。只有雷达回波大于10 dBZ评估被认为是回声预测偏差,在回声大于35 dBZ考虑预测精度和位置偏差。

2.2。基于机器学习的重点

在对流短时预测,金字塔分层技术(18)是用于分类和马赛克雷达数据进行预处理。过程中,密集的光流法应用于计算和跟踪网络数据中的每个像素的进化为了获得密集的光流场。从强烈的对流细胞特征点选择,和金字塔分层技术利用减少维度为了获得顶级风场信息满足光流方法的假设。通过分层迭代从顶部到金字塔的底层,稀疏光流场的特征点严重对流细胞网络数据然后密集的光流场得到纠正。最后,纠正光学流场、背景水平风场(U, V),生成。

ConvLSTM CNN结构包括一个卷积层,将采样层,和一个完全连接层,其中卷积和downsampling层可能有多层结构(深卷积)。卷积和downsampling层没有连接。下一个抽样层可以连接多个卷积层后为了在每个维度输出图像的提取特征。与卷积层的输入输出特性,完全连接层作为分类器。相比与传统的复发性神经网络(RNN) LSTM介绍三种门结构(忘记门层,输入层,门和输出门层)保护和控制信息。LSTM必须解决的第一件事是决定哪些信息通过这个神经元,这是由忘记门层。输入层门决定多少信息需要保存在当前时刻的当前状态。选择性记忆和更新步骤之后,输出门层决定了信息传递给下一个神经元。卷积内核只需要建立完整连接采样图像的局部区域提取底层信息,包括当地信息,如边缘和角点。卷积内核通过weight-sharing机制,基于一个特定的训练特点可以完成类似的特点对整个图像的重采样(36]。卷积的训练后,图像特征作为信息输入到LSTM。这些信息是通过逐点详述的乘法,保护和控制以及乙状结肠激活函数(28LSTM门的结构,最后获得外推短时预测结果的雷达反射率因子在0 - 2 h。

图2显示了基于金字塔光流和短期短时预测流程ConvLSTM机器学习。总结了主要步骤如下:步骤1。光流场计算:稀疏和密集的光流场得到预处理后马赛克雷达数据使用金字塔光流的方法。密集的光流场计算和跟踪每个像素的雷达数据,而稀疏光流场只是从像素获得强烈的对流细胞。因此,我们正确的密集的光流场与稀疏光流场来获得更准确的背景风场(U, V)。步骤2。模型配置:我们开发了一个ConvLSTM 3 ConvLSTM2D层每一层40单位。ConvLSTM2D层FC-LSTM层的延伸,取代完全连接结构回旋的结构和输入登机口在忘记LSTM。步骤3。ConvLSTM模型训练:输入数据,提取从5雷达图像在过去30分钟,每个训练样本包含5个维度:2组件的背景风场和3通道的红绿蓝(RGB)的雷达回波图像信息。输出是20雷达图像在接下来的2个小时。

2.3。措施的模型技术

在这项研究中,35 dBZ的价值是作为测试阈值。定量描述的位置、强度和有效期的预测雷达回波,由此产生的回声比较观察网格点的网格点。考虑风场的影响,每个网格点的预测领域及其相邻的3×3网格点区域比较实际的评估。两种情况下,偏差和预测的准确性,进行了测试;比率偏见(偏见),均方根误差(RMSE),和错误的意思(EM)被用作震级偏差指标,检测和概率(POD),假警报率(远),关键成功指数(CSI),相关系数(CC)被用作预测精度指标。具体公式如下:

验证指标的解释(NA、NB和NC)表中列出2。如果实际的网格点值和预测网格点的值都大于阈值,那么网格点被认为是一个成功的预测(NA)。如果实际的网格点值大于阈值,而预测网格点值小于阈值,则被认为是一个错过了预测(NC)。如果实际的网格点值小于阈值,而预测网格点值大于阈值,则被认为是一个错误的预测(NB)。

2.4。计算平台

一个c++和Python混合编程的光流法和ConvLSTM模型在计算机上执行2 Intel Xeon e5 - 2650 v3 cpu核心(12)和2 NVIDIA GEFORCE GTX泰坦X gpu,并满足两种算法的运行效率。例如,preprocessesing 8雷达数据的成本大约45秒。光流的计算时间为每个单独的雷达合成图像每6分钟10秒内。尽管训练ConvLSTM模型需要一个相对较长的时间大约30个小时,只花了2小时的外推时间120秒后培训。因此,本文两个短时预测算法可以在5分钟完成一个计算。

3所示。结果

七严重对流天气事件从5月到2017年8月被选为测试和分析重点学科这一研究基于模型的结果。选定的情况下表中列出1。更深入的分析完成了事件7月14日和8月1日。

3.1。全面的评估

数据3和4显示光流的测试结果和ConvLSTM预测从1100 utc时间2017年7月14日和0400 utc时间2017年8月1日,分别。

数据3(一个)- - - - - -3 (c)显示雷达回波的比较平均预估偏差大于10 dBZ 2 h内光流和ConvLSTM之间。偏差保持接近1,ConvLSTM EM的绝对值是在0.5,在7 dBZ和RMSE一直,而光流的RMSE高出1 - 2 dBZ ConvLSTM平均。类似的结果也可以从数据4(一)和4 (c)外推,表明一个更准确的雷达回波ConvLSTM位置和强度。

根据强回声的平均预测偏差大于35 dBZ数字3 (b)和3 (d),两个算法的预测精度随着有效预测期的增加而减少。豆荚,CSI和CC ConvLSTM显示变化的范围为0.73到0.28,0.65,0.21,0.96和0.61,分别在相同的光学流动显示一系列指标0.58到0.14,0.52,0.13,和0.91到0.43。比较的数据4 (c)和4 (d),光流法的结果显示了一个更快的豆荚下降曲线,CSI,比ConvLSTM CC。结果表明,强回声的平均预测偏差ConvLSTM小于光学流2 h有效预测期内。

根据表中列出的7选择天气现象1,20多个forecast-initiation事件选择为每个过程,导致共有超过150 forecast-initiation事件。TREC、光学流和ConvLSTM机器学习提出了研究被用来进行0 - 2 h外推预测所选forecast-initiation事件。根据平均测试结果(表3),而TREC外推法,光流法和ConvLSTM外推法提出了研究取得了质的提高预测准确性和相关性,以及预测的位置精度和强度。精度平均提高了30%以上,说明非线性外推法的优点。ConvLSTM方法与金字塔光流场信息进一步提高预测精度与光流法相比,反映了机器学习方法的学习能力。

3.2。案例分析

3.2.1之上。案例1

受气旋涡旋剪切,雷暴河南省北部和中部地区的7月14日至15日,2017年,伴随着雷电等强对流天气,大风和强降雨。在这个事件中,回声发展迅速,持续了很长一段时间内,表现出广泛的影响力。然而,对流系统是分散和新回声不断生成,很难进行预警预测短期暴雨和雷暴。

数据5(一个)和5 (c)显示了对流回波强度和运动从1100 utc - 1300 utc。对流回波一般向东移动,虽然回波运动的速度不同地区。回响在中部和南部地区移动相对更快,而北部地区的回声传播得更慢。北部地区的对流云团生成1100 utc,倾向于衰变1254 utc,而南方地区的云从分层混合云演变成强烈的对流云层在此期间。从数据可以看出5 (b)和5 (d)根据合成雷达回波数据的2.5公里高度的前后帧层,获得的雷达回波的横向移动速度使用金字塔光流技术对雷达强度变化趋势有一定的指示意义。北方的云系统低反演风速和发散,而在南部,西北部的风有高速,风场的特征是明显的收敛,这是符合回声的变化模式,也就是说,在南方迅速而产生移动时慢慢地消散在北方。

当时机大量对流回声(即启动。,1100UTC July 14) was selected as the onset time for the 0–2 h extrapolation forecast. Figure6显示了回声预测基于光流和机器学习。预测的开始时间是1100 utc时间2017年7月14日,和有效的预测未来30、60、90和120分钟。比较ConvLSTM预测分布的回声和相应的实时雷达回波显示预测的位置和形状的回声在2小时预测期是在良好的协议与实际天气条件。河南省南部的预测与发展快东偏差度的增加和有效的预测期;的最大偏差可以控制的范围0.03 - -0.05(约3 - 5公里)。基于回声强度,表明层状云系统的演化特点对流云系统未能预测,尽管他们反映在耗散过程对流细胞在北方,有类似的预测河南省回波形成的进化。对于这种情况,传统的光流方法只预测河南省北部的强回声而未能预测其力量的削弱和雷达回波的演变在南部和中部的河南省。这个云系统的开发过程中,除了回声显著改变形式,也有对流细胞的生成和消散,出现,反映在本研究推断算法。这也说明了这种方法的改进与传统的外推法。机器学习和金字塔光流法,风场的收敛和发散特征可以准确地描述,间接反映出空气向上和向下运动。 Therefore, not only can this method accurately forecast the position and shape of radar echoes, but it can also forecast the generation and dissipation of local convection.

3.2.2。案例2

西进运动影响台风倒槽的海棠,在8月1日,一个螺旋形强对流系统从东到西发达的河南省。强劲的强度和持续时间长,这个系统带来大范围的强降雨,河南省的东部,与在一场暴雨发生在东北地区。如图7台风螺旋云带的移动从东到西0400 utc 8月1日影响河南省的东部和东南部地区。有一个弧形的强烈对流区北部部分云计算集群,强回声不断旋转到河南。如数据所示7(一)和7 (c),强降水云团的回声在南部部分分离从主雨带在其运动向西方,和系统成为一个独立的南部降水云团在2 h。此外,从数据可以看出7 (b)和7 (d)有明显的逆时针旋转的风场特征。北端的风速相对较高,但南方的风速低,风吹向西,符合回声的分离过程系统的南部。

在0400 utc,对流系统变得成熟时,0 - 2 h外推预测开始。图8显示分布的预测实际雷达回波和相应的雷达回波在接下来的30,60岁,90,,120分钟,从0400 utc时间2017年8月1日。由于自然对流系统的集中在这段时间内,预测的形状和位置的回声ConvLSTM方法2 h预测窗口与实际的雷达回波高度一致。对流云团的形状和运动趋势的层状云系统也准确地捕获。特别是,强回声旋转到东部的系统可以预测。然而,传统的光流法未能预测的弱化过程回声河南省南部和中部,北部和预测的力量强大的雷达回波河南省也弱而观察。上述结果表明,本文提出的算法的学习能力具有显著优势的传统推断算法。中央部分的预测回声逐渐消散,和南方部分成为分离,同意实际雷达回波的演变。然而,预测回声的耗散和分离速度慢比观察到雷达的元素。因此,即使光流场信息添加到机器学习训练集,该方法分离的能力,结合,预测对流系统仍有显著改善的余地。

4所示。结论

我们的实验结果表明,该全球光学流场产生的金字塔分层技术能更好地反映雷达回波的运动,包括非线性运动,如旋转,收敛,发散的地方雷达元素。通过添加背景水平风场(U, V)和红绿蓝(RGB)图像信息ConvLSTM推断短时预测模型,预测精度的回波位置和强度进一步提高,一代,对流细胞的耗散,合并也更好的识别。

相比TREC方法在业务应用程序中,机器学习方法实现质的提高预测准确性和相关性,以及预测的位置精度和强度。此外,机器学习方法也有效地消除了对流的虚假合并细胞和提高对流细胞识别的准确性。相比与传统的光流法、外推法的机器学习方法更接近实际的雷达回波的轨迹,尤其是在气旋系统的情况下,旋转向量可以生成和曲线运动轨迹。

至于分散的对流天气,有效预测ConvLSTM时期快速发展的对流细胞相对较短,从30 - 60分钟。当涉及到系统的对流天气覆盖一片广阔,与系统长时间和完整的回声结构,ConvLSTM机器学习方法有更大的学习能力和较高的预测精度比传统方法(4,37,38]。

数据可用性

由于中国气象法律,中国气象局提供的多普勒雷达数据在我们的研究中并没有对公众开放。

信息披露

陈云岗中国科学院大学毕业主修气象学,现在他是在气象公司目前工作不隶属于任何学术机构。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项研究得到了中国气象局2017年专项基金发展的关键技术在天气预报(YBGJXM (2017;2018)02-08)和中国国家重点研发项目(2017 yfc1502000)。

引用

1. x x d . Yu g .周和x m . Wang“短时预测技术的进步。”流星学报,卷70,不。3,第337 - 311页,2012年,在中国。视图:谷歌学术搜索
2. r .起重机”自动细胞检测和跟踪”,IEEE地球科学电子产品,17卷,不。4、250 - 262年,1979页。视图:出版商的网站|谷歌学术搜索
3. m·迪克森和g·维纳,”泰坦:雷雨识别、跟踪、分析和nowcasting-a雷达方法,”大气和海洋技术杂志》上,10卷,不。6,785 - 797年,1993页。视图:谷歌学术搜索
4. j·t·约翰逊,p . l . MacKeen威特et al .,“暴风雨细胞识别和跟踪算法:一个增强的wsr - 88 d算法,”天气和预测,13卷,不。2、263 - 276年,1998页。视图:出版商的网站|谷歌学术搜索
5. r·e·莱因哈特和e·t·加维”三维风暴运动检测的常规气象雷达,”自然,卷273,不。5660年,第289 - 287页,1978年。视图:出版商的网站|谷歌学术搜索
6. j·w·威尔逊:a .骗子c·k·穆勒,j .太阳和m .太阳,“短时预测雷暴:状态报告”,美国气象学会的公告,卷79,不。10日,2079 - 2099年,1998页。视图:出版商的网站|谷歌学术搜索
7. m . x, y . c . Wang和x d . Yu”TRCE算法的改进和应用程序测试的对流风暴的短时预测,需要美国所有企业提供“应用气象科学,18卷,不。5,页690 - 701,2007年,在中国。视图:谷歌学术搜索
8. j·j·吉布森,生态视觉感知方法美国,霍顿•米夫林公司,波士顿,MA, 1950。
9. Germann和泽瓦茨基,“Scale-dependence从大陆降水雷达图像的可预测性。第一部分:方法的描述,“每月天气回顾,卷130,不。12日,第2873 - 2859页,2002年。视图:出版商的网站|谷歌学术搜索
10. a . Yilmaz o . Javed, m .沙”对象跟踪:一项调查,”ACM计算调查,38卷,不。4,1-45,2006页。视图:出版商的网站|谷歌学术搜索
11. 和y j·l·汉h .问:Wang Lin”应用光流方法重点对流天气,”Acta Scientiarum生物数学学报,44卷,不。5,751 - 755年,2008页。视图:谷歌学术搜索
12. h . Sakaino“时空形象模式预测方法基于物理模型和时变光流,”IEEE地球科学和遥感,51卷,不。5,3023 - 3036年,2013页。视图:出版商的网站|谷歌学术搜索
13. d·h·c·曹y y z Chen刘et al .,“光流法及其应用重点学科,“流星学报,卷73,不。3、471 - 480年,2015页。视图:出版商的网站|谷歌学术搜索
14. 王x, z . Chen h . et al .,“卷积LSTM网络:降水短时预测的机器学习方法,“先进的神经信息处理系统卷,9199年,第810 - 802页,2015年。视图:谷歌学术搜索
15. y z . b . Wang j·肖,t·吴”为雷达图像基于改进光流运动估计方法,”计算机技术发展中地区,27卷,不。12日,第175 - 170页,2017年。视图:谷歌学术搜索
16. e·h·阿德尔森,c·h·安德森,卑尔根j . r . p . j .伯特和j·m·奥格登“金字塔在图像处理方法,”RCA工程师卷,29号6、1984。视图:谷歌学术搜索
17. J.-Y。Bouguet,卢卡斯的锥体实现金特征跟踪算法的描述,微软研究实验室,雷蒙德,佤邦,美国,1999年。
18. 江z . j .和h . r .咦,“基于金字塔图像的特征检测和跟踪算法,”武汉大学的测绘学和信息科学,32卷,不。8,680 - 683年,2007页。视图:谷歌学术搜索
19. l, m·魏、李r . et al .,“改进光流方法应用推断雷达回波,”科学技术与工程,14卷,不。32岁,133 - 137年,2014页。视图:谷歌学术搜索
20. d·h·休博尔和t·n·威塞尔接受字段,双目交互和功能体系结构在猫的视觉皮层,“《生理学,卷160,不。1,第154 - 106页,1962。视图:出版商的网站|谷歌学术搜索
21. 美国劳伦斯·c·l·贾尔斯a c .啊涌Tsoi和公元后,“人脸识别:卷积神经网络的方法,”IEEE神经网络,8卷,不。1,第113 - 98页,1997。视图:出版商的网站|谷歌学术搜索
22. j .诉,k . c .科赫大肠Kleinhans et al .,“卷积网络和应用远景,”诉讼IEEE国际研讨会的电路和系统IEEE,页253 - 256年,巴黎,法国,2010年5月。视图:谷歌学术搜索
23. a . Krizhevsky i Sutskever, g·e·辛顿“ImageNet分类与深卷积神经网络,”学报》第25届国际会议上神经信息处理系统,页1097 - 1105,柯伦Associates Inc .)、暹粒省,柬埔寨,2018年12月。视图:谷歌学术搜索
24. y . Liu e·拉卡Prabhat et al .,“深的应用卷积神经网络检测极端天气气候的数据集,”2016年,https://arxiv.org/abs/1605.01156。视图:谷歌学术搜索
25. t . Mikolov m . Karafiat l . Burget et al .,“基于递归神经网络的语言模型,”学报》国际言语交际协会的会议(2010年INTERSPEECH)DBLP,页1045 - 1048年,千叶,日本,2010年9月。视图:谷歌学术搜索
26. j·多纳休,l·a·亨德里克斯,m . Rohrbach说道et al .,“长期反复卷积网络视觉识别和描述,”AB Initto计算分子的结构和性质爱思唯尔,页85 - 91年,阿姆斯特丹,荷兰,2015年。视图:谷歌学术搜索
27. a . Karpathy f·f·李,“深visual-semantic比对生成图像描述计算机视觉和模式识别”学报2015年IEEE计算机视觉与模式识别会议(CVPR)IEEE,页3128 - 3137年,波士顿,MA,美国,2015年6月。视图:谷歌学术搜索
28. ,的Hochreiter和j。施密德胡贝尔表示“长短期记忆。”神经计算,9卷,不。8,1735 - 1780年,1997页。视图:出版商的网站|谷歌学术搜索
29. m . Akram和c . El”序列,序列递归神经网络,短期记忆与长期天气预报”国际期刊的计算机应用程序,卷143,不。11、7 - 11,2016页。视图:出版商的网站|谷歌学术搜索
30. 金,美国在香港,约翰逊m . et al .,“深雨:ConvLSTM降水预测网络使用多通道雷达数据,”2017年,https://arxiv.org/abs/1711.02316。视图:谷歌学术搜索
31. m·施泰纳和j·a·史密斯”,使用三维反射率结构自动检测和删除nonprecipitating回声在雷达数据,”大气与海洋技术杂志》上,19卷,不。19日,673 - 686年,2002页。视图:出版商的网站|谷歌学术搜索
32. c . Kessinger美国艾利斯,j . VanAndel”NEXRAD数据质量:美联社杂乱减排计划,”30学报》国际会议上雷达气象学,页707 - 709,美国社会流星,慕尼黑,德国,2001年。视图:谷歌学术搜索
33. r·a·富尔顿j . p . Breidenbach d . j . Seo d . a . Miller和t·米勒,“wsr - 88 d降水算法”,天气和预测,13卷,不。2、天气和预测,1998年。视图:出版商的网站|谷歌学术搜索
34. y j·肖和l . p .刘”的研究方法,从天气雷达网络三维插值数据网格和马赛克,”流星学报,卷64,不。5,页647 - 657,2006年,在中国。视图:谷歌学术搜索
35. g . e . Klazura和d . A . Imy”的描述分析的初始产品的NEXRAD wsr - 88 d系统,”美国气象学会的公告,卷74,不。7,1293 - 1311年,1993页。视图:出版商的网站|谷歌学术搜索
36. f·p·刘,应用神经网络和深度的学习,电子工业出版社,北京,2018。
37. x, z高,l . Lausen et al .,“深度学习降水短时预测:一个基准和一种新的模式,”学报》31日会议上的神经信息处理系统(少量)美国长滩,CA, 2017年12月。视图:谷歌学术搜索
38. z h .周和j·冯,”森林深处:向另一个深层神经网络,”2017年,https://arxiv.org/abs/1702.08835。视图:谷歌学术搜索

版权

版权©2020 Aifang苏等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。