融合多源数据的深度学习短时降水预测

作     者：夏景明 戴如晨 谈玲 XIA Jing-Ming;DAI Ru-Chen;TAN Ling

作者机构：南京信息工程大学人工智能学院南京210044 南京信息工程大学计算机学院南京210044 

出 版 物：《计算机系统应用》 (Computer Systems & Applications)

年 卷 期：2024年第33卷第8期

页      面：123-131页

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 07[理学] 081104[工学-模式识别与智能系统] 08[工学] 070601[理学-气象学] 0706[理学-大气科学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家重点研发计划(2021YFB2901900) 江苏省研究生科研与实践创新计划(SJCX23_0407) 

主　　题：深度学习 短时降水预测 注意力机制 数据融合 数据驱动 

摘      要：针对传统降水预测方法的局限性,提出了一种融合多源数据的深度学习短时降水预测模型MSF-Net.在GPM历史降水数据的基础上融合了ERA5气象数据、雷达数据和DEM数据.利用气象特征提取模块学习多源数据的气象特征,通过注意力融合预测模块进行特征融合并实现短时降水预测.将MSF-Net的降水预测结果与多种人工智能方法进行对比,实验结果表明,MSF-Net模型的风险评分TS和偏差评分Bias最优,表明其可以在6 h的预测时效内提升数据驱动降水预测的效果.