联合MOD11A1和地面气象站点数据的多站点温度预测深度学习模型

作者：张军; 吴朋莉; 石陆魁; 史进; 潘斌

来源：计算机应用, 2022, 1-10.

• 温度预测
• 注意力机制
• 深度学习
• 长短时记忆网络
• 门控循环单元
• 图神经网络
• MOD11A1
• 地面气象站点

针对地面气象站点分布稀疏影响站点间关系以及站点间的关系强度推理难的问题，提出了一种基于联合MOD11A1和地面气象站点数据的多站点温度预测深度学习模型（GDM），该模型包括时空注意力模块（TSA）、双向图神经长短时记忆网络编码模块（DG-LSTM）和边-点转换双向门控循环网络解码模块（EN-GRU）。首先使用时空注意力网络提取MOD11A1图像特征形成多个虚拟气象站点的温度时间序列，缓解地面气象站点分布稀疏对站点间关系的影响；然后DG-LSTM编码器通过融合两组温度时间序列计算地面气象站点间和虚拟气象站点间的关系强度；最后EN-GRU解码器通过结合站点间关系强度对地面气象站点温度时间序列关系进行建模。根据实验结果可知，相对于二维卷积神经网络（2D-CNN）、长短期记忆全连接网络（LSTM-FC）、长短期记忆神经网络扩展网络（LSTME）和长短记忆与自适应提升集成网络（LSTM-Adaboost），GDM在10个地面气象站点24h内温度预测的平均绝对误差分别减小了0.383℃、0.114℃、0.178℃、0.164℃。实验结果表明，所提模型能提高未来24h多个气象站点温度的预测精度。

• 单位
  河北工业大学; 南开大学