基于差分Causal LSTM模型的气象图像短时预测研究

作者：张晓晖; 白文奇^*; 杨松楠; 王晓娟

来源：西安理工大学学报, 2023, 39(04): 529-535.

DOI：10.19322/j.cnki.issn.1006-4710.2023.04.009

• ConvLSTM
• Causal LSTM
• 端到端模型
• 图像梯度差分损失

为解决气象图像序列在短时预测时预测精度低的问题，利用一种具有级联记忆单元的Causal LSTM,将图像梯度差分惩罚因子引入训练过程，来提高预测模型对短时序列动态和突变的建模能力，提出了差分Causal LSTM模型。研究首先通过循环神经网络建立气象图像短时预测模型，然后分析了ConvLSTM模型对气象雷达回波图与卫星云图序列的预测效果，对于ConvLSTM模型预测气象图像存在严重模糊的问题，使用差分Causal LSTM模型进行优化，结果表明改进的模型能够有效改善模糊，提升预测结果的准确性。改进后的差分Causal LSTM模型在HKO-7数据集的测试样本中，关键成功指数(CSI)提高了0.019,在气象云图数据集中提高了0.078,模糊程度有所减弱。

• 单位
  西安理工大学