GANs与GRBFNN在空间插值中的对比分析

作者：刘鑫; 韩宇平^*; 黄会平

来源：西安理工大学学报, 2021, 37(01): 96-104.

DOI：10.19322/j.cnki.issn.1006-4710.2021.01.014

• 生成对抗网络
• 最小二乘生成对抗网络
• Gauss径向基神经网络
• 深度学习模型
• 交叉验证
• 空间插值

为了进一步提高空间插值的精度,搭建生成对抗网络(GANs)、最小二乘生成对抗网络(LSGANs)及Gauss径向基神经网络(GRBFNN)。使用国家气象科学数据网1960—2013年619个气象站点数据的平均值,将上述3种深度学习模型对降水量和平均气温的插值结果与普通Kriging(OK)及反向距离加权(IDW)的插值结果进行对比分析,并进行交叉验证。结果表明:全国气象站点降水量和平均气温数据的空间插值中,IDW法优于OK法。当训练样本较多时,LSGANs模型空间插值表现最好;当训练样本数量较少时,GRBFNN的插值精度最高。高程对平均气温的插值精度影响较大,对降水量的插值精度影响较小。LSGANs和GRBFNN深度学习模型有助于拓展空间插值的思路和应用范围,具有很好的前景。

• 单位
  华北水利水电大学