基于LSTM模型的降雨短临预报

王式太,张定红,殷 敏* ,张博宇,程 波

(1.桂林理工大学 测绘地理信息学院，广西 桂林 541006；2.广西空间信息与测绘重点实验室，广西 桂林 541006；3.山东省地质测绘院，山东 济南 250002)

0 引言

降雨作为最常见的气象活动之一,对人们的生产生活产生着重要影响。虽然降雨现象在不同的气候、区域和季节会表现出一定的差异性[1]，但目前一般认为降雨是在温度、气压、相对湿度和大气可降水量(Precipitable Water Vapor,PWV)等多种要素的综合影响下发生，且PWV在很大程度上决定降雨强度[2]。相比探空站、微波辐射计等传统PWV测量手段，全球导航定位系统(Global Navigation Satellite System,GNSS)反演PWV由于能得到低成本的连续观测值[3-4],在降雨短临预报中得到了广泛的应用。文献[5]通过最小二乘方法拟合GNSS-PWV时序，通过分析PWV变化阈值达到预报强降雨的目的，并指出仅使用PWV阈值作为预报降雨的方式会导致误报率偏大；文献[6]通过对浙江地区连续运行参考站数据的分析，在不同月份设定不同PWV阈值作为判断降雨的条件建立模型，达到80%降雨准确预报率；神经网络模型由于能够拟合复杂过程被广泛应用于降雨预报[7-9];文献[10]通过基于PWV的多种数据，逐个月份构建多隐层的反向反馈神经网络预报降雨模型，能够预报出95%以上的降雨，并且误报率与传统方法相当。

然而在降雨发生的过程中,PWV数值会产生规律性变化，基于单个时段内PWV数值的降雨预报可能会忽视PWV连续变化的时间特性对于实际降雨现象的影响。因此，本文提出使用LSTM神经网络拟合PWV时序数据，在顾及时序变化的基础上，试图分析多种气象要素对构建模型的影响，来提高模型的预报能力；……