长短期记忆神经网络(LSTM)模型在低能见度预报中的应用

作者：方楠; 谢国权^*; 阮小建; 任晨平; 姜舒婕; 张玮玮

来源：气象与环境学报, 2022, 38(05): 34-41.

• 大气能见度
• 长短记忆神经网络
• 预报模型
• 空气质量

利用浙江省义乌市2015—2019年逐小时气象观测数据(相对湿度、风速、地气温差、能见度)和空气质量指数(Air Quality Index, AQI)数据，分析了义乌地区低能见度天气(观测能见度<10 km)的分布特征和气象要素条件。利用长短期记忆神经网络(Long Short Term Memory Neural Network, LSTM)模型对逐小时能见度进行模拟，分别对比了观测能见度作为输入变量与否的模拟效果；根据义乌地区低能见度天气条件的特征，将模拟时段分为三个时期(11月至翌年2月，3—6月，7—10月),对比了分时期模拟的效果；以及评估了模型的预报步长。结果表明：高湿、高污染、气温高于地温和低风速是义乌地区低能见度天气的主要特征。LSTM模型对单站能见度有较好的模拟效果，当输入参数中加入历史观测能见度时，能大幅提高模拟准确度，日均能见度模拟结果均方根误差RMSE=0.63 km,平均绝对误差MAE=0.51 km,拟合优度R2=0.99;分时期进行模拟能得到更精准的模拟结果。本研究中选用的输入要素在冬季(11月至翌年2月)模拟效果最好，RMSE=2.35 km, MAE=1.46 km,低能见度均方根误差RMSE＿10 km=1.81 km,低能见度平均绝对误差MAE＿10 km=1.13 km,R2=0.83; 3—6月的模拟中，输入变量中不加AQI模拟效果更好，这意味着3—6月义乌地区的低能见度天气以雾天气为主导，加入过多变量并不一定能提高模型准确度；随着预报步长增大，模型预报效果变差，预测步长等于3 h,R2=0.71,预测结果已不具备实际应用意义。

• 单位
  浙江省气象服务中心