基于观测和再分析数据的LSTM深度神经网络沿海风速预报应用研究

作     者：王国松 王喜冬 侯敏 齐义泉 宋军 刘克修 吴新荣 白志鹏 Wang Guosong;Wang Xidong;Hou Min;Qi Yiquan;Song Jun;Liu Kexiu;Wu Xinrong;Bai Zhipeng

作者机构：河海大学海洋学院江苏南京210098 国家海洋信息中心天津300171 天津市滨海新区气象局天津300457 大连海洋大学海洋科技与环境学院应用海洋研究所辽宁大连116023 61741部队北京100094 

出 版 物：《海洋学报》 (Acta Oceanologica Sinica)

年 卷 期：2020年第42卷第1期

页      面：67-77页

核心收录：

学科分类：07[理学] 070601[理学-气象学] 0706[理学-大气科学] 

基　　金：国家重点研发计划(2016YFC1401903) 国家自然科学基金(41776004) 河海大学中央高校基本科研业务费(2016B12514) 

主　　题：深度学习 LSTM 海面风速 短时预报 WRF模式 

摘      要：基于海洋气象历史观测资料和再分析数据等,利用LSTM深度神经网络方法,开展在有监督学习情况下的海面风场短时预报应用研究。以中国近海5个代表站为研究区域,通过气象台站观测数据和ERA-Interim 6 h再分析数据构建数据集。选取21个变量作为预报因子,分别构建两个LSTM深度神经网络框架(OBS_LSTM和ALL_LSTM)。经与2017年WRF模式6 h预报结果对比分析,得出如下结论:构建的两个LSTM风速预报模型可以大幅降低风速预报误差,RMSE分别降低了41.3%和38.8%,MAE平均降低了43.0%和40.0%;风速误差统计和极端大风分析发现,LSTM模型能够抓住地形、短时大风和台风等敏感信息,对于大风过程预报结果明显优于WRF模式;两种LSTM模型对比发现,ALL_LSTM模型风速预报误差最小,具有很好的稳定性和鲁棒性,OBS_LSTM模型应用范围更广泛。