基于CLDAS和ConvLSTM的海南島區(qū)域網(wǎng)格溫度短臨預(yù)報(bào)

羅小川，唐榮年，寧雨珂，李 創(chuàng)

（海南大學(xué)機(jī)電工程學(xué)院，海南?？?570228）

隨著社會(huì)發(fā)展水平的提高，社會(huì)各界對氣象預(yù)報(bào)的時(shí)間、空間分辨率要求逐漸精細(xì)，對預(yù)報(bào)的準(zhǔn)確程度要求逐漸增高.傳統(tǒng)的基于數(shù)值方法的氣象預(yù)報(bào)方法所耗資源較大，耗時(shí)較長，隨著需求的增長，數(shù)值氣象預(yù)報(bào)在短臨預(yù)報(bào)任務(wù)中存在著成本高而響應(yīng)慢的缺陷［1］.近年來，深度學(xué)習(xí)在計(jì)算機(jī)視覺領(lǐng)域取得了極大的進(jìn)展，為氣象要素的短臨預(yù)報(bào)提供了新的解決方案，大量研究基于序列-序列（Sequence-to-Sequence，Seq2Seq）的深度學(xué)習(xí)框架結(jié)合大量歷史數(shù)據(jù)針對氣象預(yù)報(bào)取得了進(jìn)展［2］.深度學(xué)習(xí)模型通過既定的算法框架以及通過大量數(shù)據(jù)訓(xùn)練得出的參數(shù)集合，在對氣象要素進(jìn)行短臨預(yù)報(bào)時(shí)，結(jié)果的計(jì)算結(jié)果近乎達(dá)到實(shí)時(shí).

根據(jù)高效、高分辨率和高精度氣象預(yù)報(bào)的發(fā)展趨勢，以及深度學(xué)習(xí)中端對端（End-to-End）學(xué)習(xí)策略的特性［3］，模型的訓(xùn)練需要大量實(shí)測的網(wǎng)格氣象要素產(chǎn)品作為模型訓(xùn)練的支撐.Shi等［4］利用2009～2015年HKO-7雷達(dá)回波數(shù)據(jù)搭建了雷達(dá)外推深度學(xué)習(xí)模型.Yang等［5］基于中國海域高分辨率輻射計(jì)海表溫度數(shù)據(jù)集與國家海洋與大氣管理局高分辨率海表溫度數(shù)據(jù)集搭建了深度學(xué)習(xí)預(yù)測模型.Li等［6］利用長白山站與海北站實(shí)測數(shù)據(jù)搭建了深度學(xué)習(xí)的土壤溫度預(yù)測模型.由此可見，基于深度學(xué)習(xí)的氣象預(yù)報(bào)模型同樣依賴大量實(shí)測數(shù)據(jù)的支撐.

LSTM在序列預(yù)測任務(wù)的快速進(jìn)展在氣象要素站點(diǎn)數(shù)據(jù)上得到了驗(yàn)證，但隨著社會(huì)各界對氣象預(yù)報(bào)需求的增長，基于圖像的網(wǎng)格化氣象預(yù)測成為了氣象預(yù)測領(lǐng)域迫切的需求.Shi等［7］結(jié)合卷積神經(jīng)網(wǎng)絡(luò)對空間信息的特征提取與信息編碼能力以及遞歸神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）及其變體長短期記憶網(wǎng)絡(luò)（Long Short-Term Memory，LSTM）的序列特征編碼特性提出了ConvLSTM，根據(jù)手寫數(shù)字?jǐn)?shù)據(jù)集MNIST構(gòu)建了隨時(shí)序移動(dòng)的手寫數(shù)字集MovingMNIST，并利用該數(shù)據(jù)集驗(yàn)證了ConvLSTM結(jié)合Seq2Seq框架可用于圖像序列的編碼與預(yù)測，為網(wǎng)格化的氣象數(shù)據(jù)預(yù)測提供了新的思路.Ma C等［8］利用改進(jìn)的ConvLSTM實(shí)現(xiàn)了渦流檢測與預(yù)報(bào)模型.Heye等［9］采用ConvLSTM實(shí)現(xiàn)了一種Seq2Seq框架下的降雨預(yù)報(bào)模型.但是ConvLSTM基于卷積層的特征提取方法存在最局部信息的過度關(guān)注，在較大范圍內(nèi)的氣象預(yù)報(bào)問題中，較為全局的空間特征提取往往依賴更大的卷積核或更多層的卷積和下采樣操作，也就意味著網(wǎng)絡(luò)深度的加深以及模型參數(shù)的增加，從而導(dǎo)致模型占用更大的計(jì)算資源.

針對多個(gè)維度全局信息的提取，Vaswani等［10］指出人在觀測信息時(shí)會(huì)選擇只關(guān)注需要關(guān)注的區(qū)域，并由此提出注意力機(jī)制（Attention）.Dosovitskiy等［11］基于注意力機(jī)制提出了ViT（Vision Transformer），將注意力機(jī)制推廣到了計(jì)算機(jī)視覺領(lǐng)域，并在圖像的分類任務(wù)中取得了重大的進(jìn)展.Trebing等［12］通過構(gòu)建結(jié)合了Attention機(jī)制的UNet模型實(shí)現(xiàn)了降水短臨預(yù)報(bào).Yan等［13］結(jié)合殘差卷積網(wǎng)絡(luò)和Attention機(jī)制構(gòu)建了短臨降雨預(yù)報(bào)模型.但Attention機(jī)制因其計(jì)算復(fù)雜度的問題，在對各維度數(shù)據(jù)的注意力得分矩陣計(jì)算以及稀疏化的過程中，所需要占用的計(jì)算資源隨數(shù)據(jù)包含信息的增加呈現(xiàn)指數(shù)的增長，增加了模型運(yùn)算的成本.

在Seq2Seq框架當(dāng)中，傳統(tǒng)的編碼-解碼結(jié)構(gòu)（Encoder-Decoder）在序列預(yù)測問題上存在一定的局限，即所輸入的序列或需要預(yù)測的序列精度與長度受限于編碼層輸出的特征編碼的長度.在LSTM及ConvLSTM中，此編碼的長度為一個(gè)LSTM層輸出的最終隱藏狀態(tài).為此Attention機(jī)制的提出提供了解決方案，通過在序列維度上構(gòu)建的軸向自注意層獲取序列軸全局相似度信息.但Attention機(jī)制在計(jì)算注意力矩陣過程中存在O(n2)的計(jì)算復(fù)雜度，基于時(shí)序的軸向自注意仍然需要占用巨大的計(jì)算資源.

因此，筆者基于CLDAS數(shù)據(jù)集在海南島區(qū)域64×64網(wǎng)格選區(qū)以及深度學(xué)習(xí)Seq2Seq框架提出一種新的算法，結(jié)合ConvLSTM算法與Attention機(jī)制的優(yōu)勢，通過循環(huán)更新特征編碼的方式，避免因編碼層輸出的特征編碼長度限制而導(dǎo)致的精度損失，在所選區(qū)域內(nèi)構(gòu)建了64×64網(wǎng)格2 m溫度短臨預(yù)報(bào)模型，驗(yàn)證了所提出算法的有效性.

1 數(shù)據(jù)

采用中國氣象局陸面數(shù)據(jù)同化系統(tǒng)實(shí)時(shí)產(chǎn)品數(shù)據(jù)集（CLDAS）作為深度學(xué)習(xí)算法對海南島區(qū)域網(wǎng)格溫度預(yù)報(bào)模型的訓(xùn)練支撐，產(chǎn)品為覆蓋亞洲區(qū)域（0°～65°N，60°E～160°E），0.062 5°×0.062 5°與1 h分辨率的的等經(jīng)緯度網(wǎng)格融合分析產(chǎn)品，包括大氣驅(qū)動(dòng)場產(chǎn)品（2 m氣溫、2 m比濕、10 m風(fēng)速、地面氣壓、降水和短波輻射6個(gè)要素）等5種產(chǎn)品.該數(shù)據(jù)集利用多種來源地面、衛(wèi)星等觀測資料，采用多重網(wǎng)格變分同化（Space and Time Mesoscale Analysis System，STMAS）、最優(yōu)插值（Optimal Interpolation，OI）、概率密度函數(shù)匹配（Cumulative Distribution Function，CDF）、物理反演和地形校正等技術(shù)研制而成，在中國區(qū)域質(zhì)量優(yōu)于國際同類產(chǎn)品，且時(shí)空分辨率更高.實(shí)時(shí)產(chǎn)品實(shí)時(shí)更新發(fā)布，滯后1 h.在本次實(shí)驗(yàn)中截取了數(shù)據(jù)集中覆蓋了了海南島范圍的64×64網(wǎng)格區(qū)域，并使用2020年1月1日0時(shí)～2020年1月31日23時(shí)實(shí)時(shí)數(shù)據(jù)，選取大氣驅(qū)動(dòng)產(chǎn)品中的2 m氣溫、2 m相對濕度、10 m風(fēng)速作為實(shí)驗(yàn)?zāi)Ｐ洼斎氲牟糠滞ǖ罃?shù)據(jù)，其余通道包括了選取內(nèi)的海拔高度、月、日、時(shí)編碼和經(jīng)緯度信息.如圖1所示，通過圖示方法構(gòu)造單個(gè)時(shí)刻的數(shù)據(jù)信息張量，并按相同方法逐時(shí)刻構(gòu)造數(shù)據(jù)，從像素的角度來看，每個(gè)像素下都包含了特定時(shí)刻特定位置下各要素有序構(gòu)成的特征向量.

圖1 逐時(shí)刻數(shù)據(jù)張量構(gòu)造方法

在構(gòu)建了所選區(qū)域內(nèi)逐時(shí)刻的多通道張量后，采用24幀滑動(dòng)窗構(gòu)建輸入-真實(shí)值對序列，其中前12個(gè)有序的多通道張量為模型的輸入，從后12個(gè)有序多通道張量中選取2 m溫度信息通道作為真實(shí)值，用于與模型輸出計(jì)算誤差，并通過計(jì)算圖得出梯度在網(wǎng)絡(luò)中反向傳播，優(yōu)化網(wǎng)絡(luò)參數(shù).

在提取了所有輸出-真實(shí)值對序列樣本后，為驗(yàn)證所訓(xùn)練模型的有效性，依據(jù)時(shí)序每10個(gè)樣本中抽取一個(gè)樣本作為測試樣本，并由此構(gòu)建了測試集，并由訓(xùn)練集與測試集分別計(jì)算2個(gè)樣本集各通道的均值與標(biāo)準(zhǔn)差用于數(shù)據(jù)的Z-Score預(yù)處理，其中單個(gè)通道的均值為

樣本單通道標(biāo)準(zhǔn)差為

其中，σ為所計(jì)算的單個(gè)通道下的標(biāo)準(zhǔn)差，最終輸入到模型的各通道輸入均為

2 模型構(gòu)建與實(shí)驗(yàn)

提出了一種新的模型，以實(shí)現(xiàn)對含有時(shí)間、通道、長寬4個(gè)維度的數(shù)據(jù)的時(shí)間特征的提取以及空間信息的聚合.模型先后包含時(shí)間特征提取模塊、通道空間信息聚合模塊以及2層通道全連接層，并在數(shù)據(jù)前向傳播過程中按先后順序?qū)斎霐?shù)據(jù)進(jìn)行時(shí)序特征提取、通道及空間信息聚合，通道信息全連接（通過2層1×1卷積層基于通道加權(quán)求和，分別命名為F C1和F C2）.如圖2所示，輸入數(shù)據(jù)為一串有序排列的多通道圖像，通過對數(shù)據(jù)的一次前向傳播計(jì)算單個(gè)時(shí)次的2 m溫度預(yù)測值.

圖2 模型結(jié)構(gòu)圖

為了解決Encoder-Decoder結(jié)構(gòu)中編碼向量長度對預(yù)測序列長度與精度的限制問題，模型對單個(gè)時(shí)序的編碼輸入到F C1后，將該層的輸出拷貝并去除張量計(jì)算圖，串聯(lián)至模型原輸入數(shù)據(jù)的末端，剔除原輸入的第一時(shí)刻數(shù)據(jù).在完成預(yù)設(shè)的預(yù)測時(shí)次后，將所有FC1的輸出前向傳播到FC2，并由該層輸出與真實(shí)值計(jì)算的誤差以及相應(yīng)的梯度，并反向傳播.采用均方根誤差（Mean Squared Error，MSE）作為計(jì)算反向傳播梯度的損失函數(shù)，同時(shí)采用Adam優(yōu)化器對模型進(jìn)行訓(xùn)練，

其中，n為所有預(yù)測時(shí)刻的網(wǎng)格總數(shù)，即S×I×J.為模型計(jì)算得出的溫度預(yù)測值.

根據(jù)實(shí)驗(yàn)對模型滾動(dòng)更新的訓(xùn)練方式，每次數(shù)據(jù)的前向傳播得出的F C1輸出可表示為

其中，Zt，Z t+1…Z t+m為每次循環(huán)得出的中間編碼，m為預(yù)設(shè)的預(yù)測時(shí)次，n在此處指輸入模型的數(shù)據(jù)所包含的時(shí)次，θ為時(shí)間特征提取模塊、空間聚合模塊以及FC1中的所有參數(shù)集合.通過上述計(jì)算，最終將Z構(gòu)成的張量序列通過FC2得出溫度的預(yù)測結(jié)果

其中，W與b分別為線性變換的權(quán)重張量以及偏置.

如圖3所示的算法流程圖，模型將每個(gè)時(shí)序的編解碼結(jié)果輸入到統(tǒng)一參數(shù)的F C2子模塊，輸出各時(shí)序的預(yù)測結(jié)果.

圖3 算法流程圖

2.1 時(shí)間特征提取模塊時(shí)間特征提取模塊包含2層編碼子模塊，各子模塊中先后包含一層卷積核為3×3的卷積層以及一層卷積核為3×3的ConvLSTM層.通過Z-Score變換的序列數(shù)據(jù)輸入到第一層編碼子模塊后，每個(gè)時(shí)序都輸出對應(yīng)的隱藏狀態(tài)，進(jìn)而輸入到下一個(gè)編碼子模塊，第二層子模塊的輸出中，僅取用最后一個(gè)時(shí)序的隱藏狀態(tài)作為時(shí)序編碼輸出的編碼張量.基于時(shí)序編碼過程中全部采用3×3的卷積核進(jìn)行局部空間特征信息的提取.因此，時(shí)序特征提取模塊的輸出仍然缺少全局空間特征信息的聚合.時(shí)序特征提取模塊通過增加隱藏層的通道數(shù)量以及Leaky-ReLU激活函數(shù)獲得序列的稀疏編碼，該稀疏編碼由空間信息聚合模塊得到最終的時(shí)空特征提取編碼.

為了對輸入數(shù)據(jù)進(jìn)行初步的信息提取與編碼，在時(shí)間特征提取模塊的每個(gè)子模塊中，模型引入了一層卷積層對堆疊的信息進(jìn)行卷積濾波.卷積操作中的濾波算子具有空間不變性以及通道特異性，通過多個(gè)算子在空間維度平移得出對應(yīng)的特征編碼，其中特征編碼中的每個(gè)元素為卷積算子與對應(yīng)區(qū)域的相似度表達(dá)，該相似度通過輸入矩陣切片與濾波算子的哈達(dá)瑪積表示，即

其中，c為輸入信號(hào)與卷積濾波算子的通道序號(hào)，Y表示卷積濾波算子.在通過一系列卷積濾波算子對局部信息進(jìn)行提取后，對輸入的具有時(shí)序特征的信息通過長短期記憶算法進(jìn)行時(shí)序特征提取，結(jié)合長短期記憶算法計(jì)算流程，則卷積長短期記憶可表達(dá)

其中，i t，f t，Ct，o t，H t分別表示卷積長短期記憶層中輸入門、遺忘門、單元狀態(tài)、輸出門以及隱藏狀態(tài)（即輸出）的輸出，W與b表示當(dāng)前計(jì)算中的可訓(xùn)練參數(shù)，分別代表權(quán)重張量和偏置，“?”表示求哈達(dá)瑪積，“*”表示上文所提的卷積操作，sigmoid函數(shù)具體公式為

依據(jù)輸入數(shù)據(jù)的時(shí)序迭代更新卷積長短期記憶中的單元狀態(tài)以及隱藏狀態(tài)參數(shù)，并且通過梯度下降更新卷積算子參數(shù)，最終模型在前向傳播時(shí)，可以獲得具有時(shí)序特征的隱藏狀態(tài)作為時(shí)序特征編碼.

2.2 通道空間聚合模塊空間聚合模塊中先后包含通道、縱軸、橫軸共3層軸向自注意層，可將上述模塊所輸出的稀疏編碼基于3個(gè)維度進(jìn)行信息聚合.為了避免通道空間聚合的過程中需要對整個(gè)空間信息進(jìn)行重構(gòu)，將殘差結(jié)構(gòu)應(yīng)用于通道空間聚合模塊，從而加快模型的收斂.

實(shí)驗(yàn)在數(shù)據(jù)的構(gòu)造當(dāng)中加入了時(shí)間戳編碼，在基于通道維度的自注意層當(dāng)中，通過反向傳播過程中訓(xùn)練更新的權(quán)重，模型可以更快基于時(shí)間戳所占權(quán)重計(jì)算出整個(gè)溫度場大致的數(shù)值分布.同時(shí)在空間上，長寬軸自注意層隨著訓(xùn)練更新的權(quán)重可以找到在空間以及通道維度上相關(guān)性更大的區(qū)域.

在由通道維度自注意層以及長寬軸自注意層串聯(lián)形成的自注意模塊當(dāng)中，算法通過將輸入數(shù)據(jù)整理成一維向量集合，通過將這些向量映射到不同的空間并計(jì)算相似度得分實(shí)現(xiàn)查詢機(jī)制.機(jī)制中的變量包括Q（Query），K（Key），V（Value），并且均通過線性變換的方式映射到不同的空間，具體的實(shí)現(xiàn)為

將數(shù)據(jù)基于3對不同的權(quán)重矩陣和偏置進(jìn)行變換后，算法將數(shù)據(jù)通過公式（18）進(jìn)行相似度得分計(jì)算，并輸出編碼結(jié)果

其中，每一個(gè)一維向量均會(huì)與其他的向量計(jì)算相似度矩陣，這意味如果有n個(gè)一維向量在此向量集中，以此自注意層的編碼計(jì)算的復(fù)雜度為O(n2).根據(jù)上述算法機(jī)制，如果將時(shí)間特征提取模塊輸出的編碼當(dāng)中每個(gè)通道的單個(gè)數(shù)據(jù)元素作為一個(gè)向量整理向量集，那么計(jì)算量將非常龐大.因此，基于3個(gè)維度對該中間編碼進(jìn)行整理，分別基于長、寬以及通道的維度，將數(shù)據(jù)整理成尺寸分別為(C×H，W)，(C×W，H)以及(W×H，C)的向量集合，通過3層串聯(lián)的自注意層進(jìn)行逐層編碼，不僅降低了計(jì)算的復(fù)雜度，同時(shí)基于全局對空間與通道間的信息進(jìn)行了聚合.

2.3 多頭自注意與大多數(shù)神經(jīng)網(wǎng)絡(luò)相同，自注意模型同樣需要足夠稀疏的編碼對模式進(jìn)行學(xué)習(xí)，為了能夠提升模型的學(xué)習(xí)性能，在卷積神經(jīng)網(wǎng)絡(luò)當(dāng)中通常通過增加可訓(xùn)練卷積濾波算子的個(gè)數(shù)對網(wǎng)絡(luò)逐層的學(xué)習(xí)編碼能力進(jìn)行提升.在注意力機(jī)制模型當(dāng)中，采用多頭自注意的形式增加模型的寬度，具體的方式為將數(shù)據(jù)映射到多個(gè)不同的Q，K，V空間，并用對應(yīng)的Q K V分別計(jì)算相似度得分信息.其映射方法可用公式表達(dá)為

其中，W q，W k，W v矩陣的尺寸均為(heads*dimension，n)，heads為模型預(yù)設(shè)的頭參數(shù)，即當(dāng)前層網(wǎng)絡(luò)的寬度，dimension為每個(gè)頭當(dāng)中對應(yīng)映射空間的維數(shù)，n為原輸入數(shù)據(jù)的維數(shù).

本文所提到的通道空間聚合模塊，針對通道、長、寬軸的信息聚合，均采用多頭自注意的形式對數(shù)據(jù)信息進(jìn)行聚合，其中每層的頭參數(shù)均設(shè)置為4.

2.4 模型構(gòu)建參數(shù)在本文所提出的模型中將時(shí)序特征與空間信息的聚合分為2個(gè)模塊進(jìn)行，不同于編碼解碼結(jié)構(gòu)的ConvLSTM網(wǎng)絡(luò)，在時(shí)間特征提取模塊中，僅堆疊了2層子模塊，并且在每個(gè)子模塊中均只定義了32個(gè)大小為3×3的卷積濾波算子對局部空間信息進(jìn)行提取，縮減了模型的參數(shù)容量.在通道空間聚合模塊當(dāng)中，為了盡可能多的學(xué)習(xí)各通道以及空間中的相關(guān)信息，采用多頭自注意的方法并且將編碼頭參數(shù)設(shè)定為4，并且在每個(gè)注意力頭的映射關(guān)系當(dāng)中，均將數(shù)據(jù)映射到32維空間進(jìn)行表示.即W q，W k，W v矩陣的尺寸均為(4*32，n)，其中n為每個(gè)編碼軸對應(yīng)的向量長度，其中通道軸為32，長、寬軸均為64.模型具體的參數(shù)設(shè)置如表1所示.

表1 模型參數(shù)設(shè)置

3 結(jié)果與討論

3.1 模型對海南島區(qū)域的溫度預(yù)測結(jié)果在綜合了溫度場、濕度場、風(fēng)場、海拔高度和時(shí)間戳等信息的數(shù)據(jù)構(gòu)造下，模型學(xué)到了基于時(shí)間、空間以及通道上各要素的非線性映射.利用隨機(jī)抽樣出的測試集對模型進(jìn)行檢驗(yàn)（圖4，圖5），從圖4中可以分辨出隨晝夜變化的海陸溫度變化差異，不同海拔高度下的溫度差異等氣候現(xiàn)象.由于海南島所處地理位置的特性，當(dāng)輸入序列的圖像邊緣有隨時(shí)間向南移動(dòng)的低溫區(qū)，模型同樣可以預(yù)測到其移動(dòng)軌跡以及形態(tài)的變化.

圖4 模型輸出效果圖

圖5 誤差分析對比圖

如圖4所示，第1和2行為輸入與輸出序列，包含24個(gè)時(shí)次的2 m溫度場實(shí)測數(shù)據(jù)，第3行為模型基于第1行12個(gè)時(shí)次的輸入而計(jì)算得出的溫度場預(yù)報(bào)序列.模型在訓(xùn)練到第200Epoch時(shí)訓(xùn)練結(jié)束，且損失函數(shù)已達(dá)到收斂狀態(tài).

在個(gè)別測試序列當(dāng)中，當(dāng)選區(qū)邊緣出現(xiàn)的擾動(dòng)在待預(yù)測的時(shí)序中趨于穩(wěn)定或消散時(shí)，模型的預(yù)測值與真實(shí)值間的誤差也逐漸減小，誤差超過2℃的格點(diǎn)數(shù)逐漸降低.

如圖5所示，第1行為待預(yù)測時(shí)序的溫度場真實(shí)值，第2行為模型的預(yù)報(bào)輸出，第3行為根據(jù)第1、2行計(jì)算出的模型預(yù)報(bào)的誤差，第4行為誤差當(dāng)中絕對值超過2℃的所有網(wǎng)格.根據(jù)圖5觀測，在所選區(qū)域內(nèi)，海南島沿海區(qū)域以及選區(qū)邊緣的預(yù)報(bào)均容易產(chǎn)生較大誤差，研究其原因與海南島氣候受洋流與季風(fēng)的影響存在關(guān)聯(lián).除此之外，模型預(yù)測的所有時(shí)次中大部分區(qū)域的誤差均小于2℃.

最終，模型通過時(shí)間特征提取模塊與通道空間聚合模塊學(xué)習(xí)了海南島及周邊海域溫度場與其他氣象要素的模式，并對抽樣得出的測試數(shù)據(jù)進(jìn)行了準(zhǔn)確的預(yù)報(bào)，驗(yàn)證了所出提循環(huán)更新編碼方法的有效性，在測試數(shù)據(jù)中，預(yù)報(bào)時(shí)序與真實(shí)值誤差超過2℃的比率約11.5%（表2）.

表2 輸入要素構(gòu)造影響對比

3.2 CLDAS多氣象要素對溫度預(yù)測的影響在構(gòu)造多通道數(shù)據(jù)集的同時(shí)，也構(gòu)造了使用歷史實(shí)測溫度預(yù)測未來溫度的數(shù)據(jù)集，以此驗(yàn)證模型以及數(shù)據(jù)構(gòu)造方式對溫度預(yù)測的有效性，同時(shí)也驗(yàn)證了各要素在短時(shí)預(yù)報(bào)問題中的相關(guān)性.

通過實(shí)驗(yàn)得出，當(dāng)訓(xùn)練模型的輸入僅有溫度時(shí)，模型對選區(qū)內(nèi)網(wǎng)格溫度預(yù)報(bào)的效果要低于多要素對溫度的短臨預(yù)報(bào)模型.

從圖6中可以看出，當(dāng)模型的輸入僅有溫度一個(gè)要素時(shí)，模型的預(yù)測缺少其他因素場數(shù)據(jù)對溫度場預(yù)測的校正，也意味著在短臨預(yù)報(bào)所討論的問題環(huán)境下，本文所采用的相對濕度、風(fēng)場數(shù)據(jù)等對溫度存在即時(shí)影響，與溫度要素存在極大的相關(guān).

圖6 誤差分析對比圖

3.3 對比實(shí)驗(yàn)結(jié)果通過對比同類型算法框架，驗(yàn)證了本文所提出算法的有效性，并復(fù)現(xiàn)了ConvLSTM編碼解碼結(jié)構(gòu)，使用相同的數(shù)據(jù)集用于對照試驗(yàn)，在所采用的訓(xùn)練集和測試集當(dāng)中對ConvLSTM編碼解碼模型進(jìn)行了訓(xùn)練以及測試，同時(shí)采用了相同的優(yōu)化器Adam以及MSE損失函數(shù).由于基于ConvLSTM的編碼解碼模型不具有基于注意力機(jī)制的空間信息聚合模塊，在所提出算法所具有性能的前提下，基于不同超參數(shù)定義的網(wǎng)絡(luò)除了一定的深度，也需要足夠的寬度對空間信息進(jìn)行學(xué)習(xí)，為此需要足夠多的卷積濾波算子.在本文所復(fù)現(xiàn)的用于對比實(shí)驗(yàn)的ConvLSTM編碼解碼模型當(dāng)中，設(shè)置的卷積濾波算子個(gè)數(shù)在編碼模塊中逐層遞增，且按照相同數(shù)量在解碼模塊中逐層遞減.

從圖7中可以看出，盡管模型學(xué)習(xí)到了氣象要素在預(yù)測范圍中的變化趨勢，但由于編碼中間向量的限制，隨著時(shí)序的增加，誤差是逐漸增加的，且當(dāng)網(wǎng)絡(luò)的寬度不能達(dá)到要求時(shí)，模型在預(yù)測時(shí)序的開始就會(huì)出現(xiàn)很大的誤差.如表3所示，在同一數(shù)據(jù)集當(dāng)中，本文所提出的循環(huán)更新編碼的方式可以有效的提高預(yù)測模型的準(zhǔn)確度。

圖7 ConvLSTM編碼解碼模型誤差分析對比圖

表3 模型準(zhǔn)確率對比

4 結(jié)束語

通過構(gòu)建基于ConvLSTM與Attention機(jī)制的網(wǎng)格溫度短臨預(yù)報(bào)模型，基于CLDAS數(shù)據(jù)集實(shí)現(xiàn)了多時(shí)次、多通道氣象要素對多時(shí)次2 m溫度網(wǎng)格短臨預(yù)報(bào)模型，通過所提到的循環(huán)更新編碼的預(yù)測方法，優(yōu)化了Encoder-Decoder結(jié)構(gòu)下編碼長度對預(yù)測效果的限制問題，降低了預(yù)測結(jié)果的誤差，驗(yàn)證了本文所提出的模型的有效性.針對海南地區(qū)氣候特點(diǎn)，研究發(fā)現(xiàn)，不同于大陸部分地區(qū)，海南島及其周邊海域的短臨、中期或長期氣象要素預(yù)報(bào)均在很大程度上受季風(fēng)和洋流影響，在氣候變化較不穩(wěn)定的時(shí)段，模型的預(yù)報(bào)誤差仍然會(huì)出現(xiàn)驟升.因此，下一階段的研究需要從較大范圍的網(wǎng)格進(jìn)行特征提取并向選區(qū)范圍的預(yù)測展開，以此對大范圍的氣象要素場數(shù)據(jù)對海南島氣象預(yù)測的影響展開研究與分析.