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

doi:10.11772/j.issn.1001-9081.2021111888

《计算机应用》唯一官方网站 ›› 2023, Vol. 43 ›› Issue (1): 321-328.DOI: 10.11772/j.issn.1001-9081.2021111888

• 前沿与综合应用 • 上一篇

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

张军^1,2, 吴朋莉^1,2, 石陆魁^1,2, 史进¹, 潘斌³

1.河北工业大学人工智能与数据科学学院,天津 300401
2.河北省大数据计算重点实验室(河北工业大学),天津 300401
3.南开大学统计与数据科学学院,天津 300071

收稿日期:2021-11-08 修回日期:2022-05-12 发布日期:2023-01-12
通讯作者: 史进（1981—），男，河北张家口人，助理研究员，硕士，主要研究方向：人工智能、数据挖掘 Email:shijin@hebut.edu.cn
作者简介:张军（1976—），男，河北张家口人，副教授，博士，CCF会员，主要研究方向：机器学习、智能计算；吴朋莉（1998—），女，河南商丘人，硕士研究生，主要研究方向：机器学习、智能计算；石陆魁（1974—），男，河北邯郸人，教授，博士，CCF会员，主要研究方向：机器学习、数据挖掘；潘斌（1990—），男，山东烟台人，副教授，博士，主要研究方向：机器学习、遥感图像处理、多目标优化；
基金资助:
国家自然科学基金资助项目（62001252）；河北省自然科学基金资助项目（F2020202008）；河北省教育厅科学技术研究项目（ZD2021311）。

Deep learning model for multi-station temperature prediction combined with MOD11A1 and surface meteorological station data

ZHANG Jun^1,2, WU Pengli^1,2, SHI Lukui^1,2, SHI Jin¹, PAN Bin³

1.School of Artificial Intelligence， Hebei University of Technology， Tianjin 300401， China
2.Hebei Province Key Laboratory of Big Data Calculation （Hebei University of Technology）， Tianjin 300401， China
3.School of Statistics and Data Science， Nankai University， Tianjin 300071， China

Received:2021-11-08 Revised:2022-05-12 Online:2023-01-12
Contact: SHI Jin， born in 1981， M. S.， research assistant. His research interests include artificial intelligence， data mining.
About author:ZHANG Jun， born in 1976， Ph. D.， associate professor. His research interests include machine learning， intelligent computing；WU Pengli， born in 1998， M. S. candidate. Her research interests include machine learning， intelligent computing；SHI Lukui， born in 1974， Ph. D.， professor. His research interests include machine learning， data mining；PAN Bin， born in 1990， Ph. D.， associate professor. His research interests include machine learning， remote sensing image processing， multi-objective optimization；
Supported by:
This work is partially supported by National Natural Science Foundation of China （62001252）， Natural Science Foundation of Hebei Province （F2020202008）， Science and Technology Project of Hebei Education Department （ZD2021311）.

摘要/Abstract

摘要： 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）。GDM包括时空注意力（TSA）、双向图神经长短期记忆（DG-LSTM）网络编码和边-点转换双向门控循环网络解码（EN-GRU）模块。首先使用TSA模块提取MOD11A1图像特征并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；然后用DG-LSTM编码器通过融合两组温度时间序列来计算地面气象站点间和虚拟气象站点间的关系强度；最后用EN-GRU解码器通过结合站点间的关系强度对地面气象站点的温度时间序列关系进行建模。实验结果表明，相较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24 h内温度预测的平均绝对误差（MAE）分别减小0.383 ℃、0.184 ℃、0.178 ℃和0.164 ℃，能提高未来24 h多个气象站点温度的预测精度。

关键词: 温度预测, 注意力机制, 深度学习, 长短期记忆网络, 门控循环单元, 图神经网络, MOD11A1, 地面气象站点

Abstract: Focusing on the issues that the relationships between the stations are affected by the sparse distribution of surface meteorological stations and it is difficult to infer the strengths of relationships between the stations， a Deep learning Model for multi-station temperature prediction combined with MOD11A1 and surface meteorological station data was proposed， namely GDM， which included Spatio-Temporal Attention （TSA）， Double Graph neural Long Short-Term Memory （DG-LSTM） network encoding and Edge-Node transform Gated Recurrent Unit （EN-GRU） decoding modules. Firstly， TSA module was utilized to extract MOD11A1 image features and form the temperature time series of multiple virtual meteorological stations， so as to alleviate the impact of sparse distribution of surface meteorological stations on the relationships between the stations. Secondly， DG-LSTM encoder was used to calculate the strengths of the relationships among surface meteorological stations and virtual meteorological stations via fusing two sets of temperature time series. Finally， EN-GRU decoder was adopted to model the temperature time series relationships between surface meteorological stations through combining the inter-station relationship strengths. Experimental results show that compared with 2-Dimensional Convolutional Neural Network （2D-CNN）， Long Short-Term Memory-Fully Connected network （LSTM-FC）， Long Short-Term Memory neural network Extended （LSTME） and Long Short-Term Memory and AdaBoost network （LSTM-AdaBoost）， GDM has the Average Absolute Error （MAE） of temperature prediction in 24 hours at 10 surface meteorological stations reduced by 0.383 ℃， 0.184 ℃， 0.178 ℃ and 0.164 ℃ respectively. It can be seen that GDM can improve the prediction accuracy of the temperature for meteorological stations in the next 24 hours.

Key words: temperature prediction, attention mechanism, deep learning, Long Short-Term Memory (LSTM) network, Gated Recurrent Unit (GRU), Graph Neural Network (GNN), MOD11A1, surface meteorological station

中图分类号:

TP389.1

张军, 吴朋莉, 石陆魁, 史进, 潘斌. 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[J]. 计算机应用, 2023, 43(1): 321-328.

ZHANG Jun, WU Pengli, SHI Lukui, SHI Jin, PAN Bin. Deep learning model for multi-station temperature prediction combined with MOD11A1 and surface meteorological station data[J]. Journal of Computer Applications, 2023, 43(1): 321-328.

参考文献

1 SON B， PARK S， IM J， et al. A new drought monitoring approach： Vector Projection Analysis （VPA）［J］. Remote Sensing of Environment， 2021， 252： No.112145. 10.1016/j.rse.2020.112145
2 高峰，辛晓歌，吴统文. BCC_CSM1.1对10年尺度全球及区域温度的预测研究［J］. 大气科学， 2012， 36（6）：1165-1179. GAO F， XIN X G， WU T W. A study of the prediction of regional and global temperature on decadal time scale with BCC_CSM1.1 model［J］. Chinese Journal of Atmospheric Sciences， 2012， 36（6）： 1165-1179.
3 WANG G， QIU Y F， LI H X. Temperature forecast based on SVM optimized by PSO algorithm［C］// Proceedings of the 2010 International Conference on Intelligent Computing and Cognitive Informatics. Piscataway： IEEE， 2010： 259-262. 10.1109/icicci.2010.24
4 YOO C， IM J， PARK S， et al. Estimation of daily maximum and minimum air temperatures in urban landscapes using MODIS time series satellite data［J］. ISPRS Journal of Photogrammetry and Remote Sensing， 2018， 137： 149-162. 10.1016/j.isprsjprs.2018.01.018
5 VENTER Z S， BROUSSE O， ESAU I， et al. Hyperlocal mapping of urban air temperature using remote sensing and crowdsourced weather data［J］. Remote Sensing of Environment， 2020， 242： No.111791. 10.1016/j.rse.2020.111791
6 唐慧强，杭丽娜，范海娟. 基于C4.5决策树算法的天气预警系统的手机终端设计［J］. 计算机应用， 2013， 33（5）：1467-1469， 1480. 10.3724/sp.j.1087.2013.01467 TANG H Q， HANG L N， FAN H J. Design of mobile phone terminal of weather warning system based on C4.5 decision tree［J］. Journal of Computer Applications， 2013， 33（5）： 1467-1469， 1480. 10.3724/sp.j.1087.2013.01467
7 AL-OBEIDAT F， SPENCER B， ALFANDI O. Consistently accurate forecasts of temperature within buildings from sensor data using ridge and lasso regression［J］. Future Generation Computer Systems， 2020， 110： 382-392. 10.1016/j.future.2018.02.035
8 KIM G， AHN J B， KRYJOV V N， et al. Assessment of MME methods for seasonal prediction using WMO LC-LRFMME hindcast dataset［J］. International Journal of Climatology， 2021， 41（S1）： E2462-E2481. 10.1002/joc.6858
9 周翔宇，程勇，王军. 基于改进深度信念网络的农业温室温度预测方法［J］. 计算机应用， 2019， 39（4）：1053-1058. 10.11772/j.issn.1001-9081.2018091876 ZHOU X Y， CHENG Y， WANG J. Agricultural greenhouse temperature prediction method based on improved deep belief network［J］. Journal of Computer Applications， 2019， 39（4）： 1053-1058. 10.11772/j.issn.1001-9081.2018091876
10 LIU J， ZHANG T， HAN G J， et al. TD-LSTM： Temporal dependence-based LSTM networks for marine temperature prediction［J］. Sensors， 2018， 18（11）： No.3797. 10.3390/s18113797
11 XIAO C J， CHEN N C， HU C L， et al. Short and mid-term sea surface temperature prediction using time-series satellite data and LSTM-AdaBoost combination approach［J］. Remote Sensing of Environment， 2019， 233： No.111358. 10.1016/j.rse.2019.111358
12 JIA H F， YANG D H， DENG W P， et al. Predicting land surface temperature with geographically weighed regression and deep learning［J］. WIREs Data Mining and Knowledge Discovery， 2021， 11（1）： No.e1396. 10.1002/widm.1396
13 ZHANG K， GENG X P， YAN X H. Prediction of 3-D ocean temperature by multilayer convolutional LSTM［J］. IEEE Geoscience and Remote Sensing Letters， 2020， 17（8）： 1303-1307. 10.1109/lgrs.2019.2947170
14 KAREVAN Z， SUYKENS J A K. Spatio-temporal stacked LSTM for temperature prediction in weather forecasting［EB/OL］. （2018-11-15）［2021-11-18］.https：//arxiv.org/pdf/1811.06341.pdf. 10.1016/j.neunet.2019.12.030
15 NEC Laboratories America， Inc. Dual stage attention based recurrent neural network for time series prediction： 10929674B2［P］. 2021-02-23. 10.24963/ijcai.2017/366
16 MTIBAA F， NGUYEN K K， AZAM M， et al. LSTM-based indoor air temperature prediction framework for HVAC systems in smart buildings［J］. Neural Computing and Applications， 2020， 32（23）： 17569-17585. 10.1007/s00521-020-04926-3
17 ZHANG Q， WANG H， DONG J Y， et al. Prediction of sea surface temperature using long short-term memory［J］. IEEE Geoscience and Remote Sensing Letters， 2017， 14（10）： 1745-1749. 10.1109/lgrs.2017.2733548
18 YANG Y T， DONG J Y， SUN X， et al. A CFCC-LSTM model for sea surface temperature prediction［J］. IEEE Geoscience and Remote Sensing Letters， 2018， 15（2）： 207-211. 10.1109/lgrs.2017.2780843
19 MEHRKANOON S. Deep shared representation learning for weather elements forecasting［J］. Knowledge-Based Systems， 2019， 179： 120-128. 10.1016/j.knosys.2019.05.009
20 LI W， XU J J， HE Y C， et al. Coherent comments generation for Chinese articles with a graph-to-sequence model［C］// Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics. Stroudsburg， PA： ACL， 2019： 4843-4852. 10.18653/v1/p19-1479
21 KIPF T， POL E van der， WELLING M. contrastive learning of structured world models ［EB/OL］. （2020-01-05）［2021-08-26］.https：//arxiv.org/pdf/1911.12247.pdf.
22 LI Y J， GU C J， DULLIEN T， et al. Graph matching networks for learning the similarity of graph structured objects［C］// Proceedings of the 36th International Conference on Machine Learning. New York： JMLR.org， 2019： 3835-3845.
23 QIU L， XIAO Y X， QU Y R， et al. Dynamically fused graph network for multi-hop reasoning［C］// Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics. Stroudsburg， PA： ACL， 2019： 6140-6150. 10.18653/v1/p19-1617
24 ZHENG C P， FAN X L， WANG C， et al. GMAN： a graph multi-attention network for traffic prediction［C］// Proceedings of the 34th AAAI Conference on Artificial Intelligence. Palo Alto， CA： AAAI Press， 2020： 1234-1241. 10.1609/aaai.v34i01.5477
25 GRABER C， SCHWING A G. Dynamic neural relational inference［C］// Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2020： 8510-8519. 10.1109/cvpr42600.2020.00854
26 WAN Z， HOOK S， HULLEY G. MOD11A1 MODIS/Terra Land Surface Temperature/Emissivity Daily L3 Global 1km SIN Grid V006［EB/OL］. ［2022-02-18］.https：//doi.org/10.5067/MODIS/MOD11A1.006.
27 ZHAO J C， DENG F， CAI Y Y， et al. Long Short-Term Memory - Fully Connected （LSTM-FC） neural network for PM2.5 concentration prediction［J］. Chemosphere， 2019， 220： 486-492. 10.1016/j.chemosphere.2018.12.128
28 LI X， PENG L， YAO X， et al. Long short-term memory neural network for air pollutant concentration predictions： method development and evaluation［J］. Environmental Pollution， 2017， 231： 997-1004. 10.1016/j.envpol.2017.08.114

[1]	梁美佳, 刘昕武, 胡晓鹏. 基于改进YOLOv3的列车运行环境图像小目标检测算法[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2611-2618.
[2]	刘源, 董永权, 贾瑞, 杨昊霖. 面向个性化课程推荐的分层分期注意力网络模型[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2358-2363.
[3]	段升位, 程欣宇, 王浩舟, 王飞. 基于改进的YOLOv5的大坝表面病害检测算法[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2619-2629.
[4]	李校林, 杨松佳. 基于深度学习的多用户毫米波中继网络混合波束赋形[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2511-2516.
[5]	王一, 谢杰, 程佳, 豆立伟. 基于深度学习的RGB图像目标位姿估计综述[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2546-2555.
[6]	马胜位, 黄瑞章, 任丽娜, 林川. 基于多层语义融合的结构化深度文本聚类模型[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2364-2369.
[7]	郭祥, 姜文刚, 王宇航. 基于改进Inception-ResNet的加密流量分类方法[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2471-2476.
[8]	衡红军, 杨鼎诚. 知识增强的方面词交互图神经网络[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2412-2419.
[9]	崔雨萌, 王靖亚, 刘晓文, 闫尚义, 陶知众. 融合注意力和裁剪机制的通用文本分类模型[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2396-2405.
[10]	齐爱玲, 王宣淋. 基于中层细微特征提取与多尺度特征融合细粒度图像识别[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2556-2563.
[11]	张琨, 杨丰玉, 钟发, 曾广东, 周世健. 基于混合代码表示的源代码脆弱性检测[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2517-2526.
[12]	金泽熙, 李磊, 刘继. 基于改进领域分离网络的迁移学习模型[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2382-2389.
[13]	王静红, 周志霞, 王辉, 李昊康. 双路自编码器的属性网络表示学习[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2338-2344.
[14]	梁敏, 刘佳艺, 李杰. 融合迭代反馈与注意力机制的图像超分辨重建方法[J]. 《计算机应用》唯一官方网站, 2023, 43(7): 2280-2287.
[15]	叶坤佩, 熊熙, 丁哲. 基于领域融合和时间权重的招工推荐模型[J]. 《计算机应用》唯一官方网站, 2023, 43(7): 2133-2139.

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

Deep learning model for multi-station temperature prediction combined with MOD11A1 and surface meteorological station data

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics