深度学习在气象数据订正中的应用综述

doi:10.11772/j.issn.1001-9081.2023121756

《计算机应用》唯一官方网站 ›› 2024, Vol. 44 ›› Issue (12): 3930-3940.DOI: 10.11772/j.issn.1001-9081.2023121756

深度学习在气象数据订正中的应用综述

蒋鸿儒¹, 方巍¹^,²^,³()

^1.南京信息工程大学计算机学院，南京 210044
^2.中国气象局交通气象重点开放实验室（南京气象科技创新研究院），南京 210041
^3.江苏省大气环境与装备技术协同创新中心（南京信息工程大学），南京 210044

收稿日期:2023-12-19 修回日期:2024-01-25 接受日期:2024-02-23 发布日期:2024-03-15 出版日期:2024-12-10
通讯作者: 方巍
作者简介:蒋鸿儒（2001—），男，江苏南京人，硕士研究生，主要研究方向：深度学习、数据订正；
基金资助:
国家自然科学基金资助项目(42075007);中国气象局流域强降水重点开放实验室开放研究基金资助项目(2023BHR?Y14);中国气象局交通气象重点开放实验室开放研究基金资助项目(BJG202306)

Survey of application of deep learning in meteorological data correction

Hongru JIANG¹, Wei FANG¹^,²^,³()

^1.School of Computer Science，Nanjing University of Information Science and Technology，Nanjing Jiangsu 210044，China
^2.Key Open Laboratory of Transportation Meteorology of China Meteorological Administration （Nanjing Joint Institute for Atmospheric Sciences），Nanjing Jiangsu 210041，China
^3.Jiangsu Collaborative Innovation Center of Atmospheric Environment and Equipment Technology （Nanjing University of Information Science and Technology），Nanjing Jiangsu 210044，China

Received:2023-12-19 Revised:2024-01-25 Accepted:2024-02-23 Online:2024-03-15 Published:2024-12-10
Contact: Wei FANG
About author:JIANG Hongru， born in 2001， M. S. candidate. His research interests include deep learning， data correction.
Supported by:
National Natural Science Foundation of China(42075007);Open Fund of Key Laboratory of Basin Heavy Precipitation of China Meteorological Administration(2023BHR?Y14);Open Fund of Key Open Laboratory of Transportation Meteorology of China Meteorological Administration(BJG202306)

摘要/Abstract

摘要：

数据订正是资料同化的核心过程之一，即通过修正和校准数据提高资料同化的效果。针对气象观测存在多种误差导致气象数据存在偏差的问题，综述深度学习在气象数据订正中的应用，应用场景包括气象模式订正、天气预报和气候预测。首先，介绍气象数据订正的重要性，同时回顾传统的气象数据订正方法，如统计学、传统机器学习等，并分析它们的优点和局限性；其次，详细介绍基于深度学习的数据订正在3个场景中的应用，深度学习方法主要包括卷积神经网络（CNN）、循环神经网络（RNN）和Transformer，并且通过归纳总结当前的研究进展，讨论数据订正中深度学习方法与传统方法的优劣；最后，总结深度学习在数据订正中存在的局限性，同时指出深度学习在气象数据订正中的优化方式和未来发展方向。

关键词: 深度学习, 数据订正, 资料同化, 气候预测, 天气预报

Abstract:

Data correction is one of the core processes in data assimilation， which aims to improve the assimilation effect of data by correcting and calibrating the data. Aiming at the issue of multiple errors in meteorological observations leading to biases in meteorological data， the application of deep learning in meteorological data correction was reviewed， and the application scenarios include meteorological model correction， weather forecast， and climate prediction. Firstly， the importance of meteorological data correction was introduced， and traditional meteorological data correction methods such as statistics and traditional machine learning were looked back with advantages and limitations of the methods analyzed. Secondly， the application of deep learning in data correction in three scenarios was detailed， the deep learning methods include Convolutional Neural Network （CNN）， Recurrent Neural Network （RNN）， and Transformer. At the same time， by summarizing the current research progress， the strengths and weaknesses of deep learning methods and traditional methods in data correction were discussed. Finally， the limitations of deep learning in data correction were summed up， and the optimization approaches and future development directions of deep learning in meteorological data correction were pointed out.

Key words: deep learning, data correction, data assimilation, climate prediction, weather forecast

中图分类号:

TP301

蒋鸿儒, 方巍. 深度学习在气象数据订正中的应用综述[J]. 计算机应用, 2024, 44(12): 3930-3940.

Hongru JIANG, Wei FANG. Survey of application of deep learning in meteorological data correction[J]. Journal of Computer Applications, 2024, 44(12): 3930-3940.

图/表 12

参考文献 66

1	FANG W， XUE Q， SHEN L， et al. Survey on the application of deep learning in extreme weather prediction［J］. Atmosphere， 2021， 12（6）： No.661.
2	刘瑞婷，陈明轩，肖现，等. 雷达资料快速更新四维变分同化中增加地面资料同化对强对流临近数值预报的影响［J］. 气象学报， 2021， 79（6）：921-942.
	LIU R T， CHEN M X， XIAO X， et al. The impact of assimilating surface observations in rapid-refresh four-dimensional Variational Radar Data Assimilation System on model-based severe convection nowcasting ［J］. Acta Meteorologica Sinica， 2021， 79（6）：921-942.
3	胡新华，况秋明，张显真. 南城自动站土壤水分资料的统计学订正分析［J］. 气象与减灾研究， 2010， 33（2）： 69-72.
	HU X H， KUANG Q M， ZHANG X Z. Statistical correction of soil moisture records obtained from HYA-SF automatic station in Nancheng county［J］. Meteorology and Disaster Reduction Research， 2010， 33（2）： 69-72.
4	朱俊，韩立新，宗平，等. 基于时间聚类和用户动态相似度的自适应位置推荐算法［J］. 计算机科学， 2023， 50（12）：113-122.
	ZHU J， HAN L X， ZONG P， et al. Adaptive location recommendation based on time slots clustering and user dynamic similarity ［J］. Computer Science， 2023， 50（12）：113-122.
5	梁皓，孙丽，陈姝荞，等. 基于支持向量机算法的地震事件分类研究——以东北地区为例［J］. 地球物理学报， 2023， 66（12）：5030-5040.
	LIANG H， SUN L， CHEN S Q， et al. Research on seismic event classification based on SVM algorithm： an application in Northeast China［J］. Chinese Journal of Geophysics， 2023， 66（12）： 5030-5040.
6	WU Y C， FENG J W. Development and application of artificial neural network［J］. Wireless Personal Communications， 2018， 102（2）： 1645-1656.
7	陈浩，宁忱，南卓铜，等. 基于机器学习模型的青藏高原日降水数据的订正研究［J］. 冰川冻土， 2017， 39（3）：583-592.
	CHEN H， NING C， NAN Z T， et al. Correction of the daily precipitation data over the Tibetan Plateau with machine learning models［J］. Journal of Glaciology and Geocryology， 2017， 39（3）： 583-592.
8	陈杰. 基于神经网络的常规气候要素订正算法研究［D］. 南京：南京信息工程大学， 2022：4-8.
	CHEN J. Research on correction algorithm of conventional climate elements based on neural network［D］. Nanjing： Nanjing University of Information Science and Technology， 2022：4-8.
9	ISLAM M， CHEN G， JIN S. An overview of neural network［J］. American Journal of Neural Networks and Applications， 2019， 5（1）： 7-11.
10	RONNEBERGER O， FISCHER P， BROX T. U-Net： convolutional networks for biomedical image segmentation ［C］// Proceedings of the 2015 18th International Conference on Medical Image Computing and Computer-Assisted Intervention， LNCS 9351. Cham： Springer， 2015： 234-241.
11	严毅，邓超，李琳，等. 深度学习背景下的图像语义分割方法综述［J］. 中国图象图形学报， 2023， 28（11）：3342-3362.
	YAN Y， DENG C， LI L， et al. Survey of image semantic segmentation methods in the deep learning era［J］. Journal of Image and Graphics， 2023， 28（11）： 3342-3362.
12	阳杰，曾鑫，吴刘仓. 测量误差数据下偏正态众数回归模型的参数估计［J］. 应用数学学报， 2023， 46（4）：606-621.
	YANG J， ZENG X， WU L C. Parameter estimation for skew-normal mode regression model with measurement error data［J］. Acta Mathematicae Applicatae Sinica， 2023， 46（4）： 606-621.
13	王肖. 多元气象数据方法的研究与应用［D］. 西安：西安电子科技大学， 2020：17-29.
	WANG X. Research and application of multiple meteorological data methods［D］. Xi’an： Xidian University， 2020：17-29.
14	姜淑杨，吴锐涛，鲍磊磊. 基于大数据下的气象数据安全问题及防护策略研究［J］. 网络安全技术与应用， 2023（12）：109-111.
	JIANG S Y， WU R T， BAO L L. Research on meteorological data security problems and protection strategies based on big data［J］. Network Security Technology and Application， 2023（12）： 109-111.
15	卢洪健，赵兰兰. 基于大数据挖掘的区域干旱预报方法及应用研究［J］. 中国防汛抗旱， 2023， 33（12）：40-46.
	LU H J， ZHAO L L. Research on regional drought forecast method and its application based on big data mining ［J］. China Flood and Drought Management， 2023， 33（12）： 40-46.
16	陆鑫海，王辉，郑涵. 云计算环境下气象大数据服务应用［J］. 智慧中国， 2023（11）：75-76.
	LU X H， WANG H， ZHENG H. Application of meteorological big data service in cloud computing environment ［J］. Wisdom China， 2023（11）：75-76.
17	TSAGALIDIS E， EVANGELIDIS G. Exploiting domain knowledge to address class imbalance in meteorological data mining［J］. Applied Sciences， 2022， 12（23）： No.12402.
18	AGARWAL P， TANG J， NARAYANAN A N L， et al. Big data and predictive analytics in fire risk using weather data ［J］. Risk Analysis， 2020， 40（7）： 1438-1449.
19	孔婷，胡义成，刘卫平，等. 北疆气象站迁址气温均一性检验与订正［J］. 沙漠与绿洲气象， 2021， 15（5）：116-122.
	KONG T， HU Y C， LIU W P， et al. Homogeneity test and correction of temperature series by station migration in Northern Xinjiang ［J］. Desert and Oasis Meteorology， 2021， 15（5）： 116-122.
20	崔妍，徐文慧，李庆祥，等. 东北地区月气温序列的均一性检验和订正［J］. 气象， 2019， 45（2）：240-250.
	CUI Y， XU W H， LI Q X， et al. Homogeneity test and correction of monthly temperature in Northeast China［J］. Meteorological Monthly， 2019， 45（2）： 240-250.
21	司鹏，罗传军，姜罕盛，等. 天津地面相对湿度资料的非均一性检验及订正［J］. 气象， 2018， 44（10）：1332-1341.
	SI P， LUO C J， JIANG H S， et al. Inhomogeneity validation and correction of monthly surface relative humidity in Tianjin［J］. Meteorological Monthly， 2018， 44（10）： 1332-1341.
22	方勉，吴慧，马凤娓，等. 三亚站气温序列非均一性检验订正及其变化特征分析［J］. 热带农业科学， 2023， 43（2）：110-116.
	FANG M， WU H， MA F W， et al. Comparison characteristics and inhomogeneity adjustments of surface air temperature series for Sanya meteorological station［J］. Chinese Journal of Tropical Agriculture， 2023， 43（2）： 110-116.
23	胡义成，张正阳，王秋香. 喀什站高空温度资料均一性检验与订正［J］. 沙漠与绿洲气象， 2019， 13（6）：65-72.
	HU Y C， ZHANG Z Y， WANG Q X. Homogeneity test and correction of upper air temperature data in Kashgar meteorological station ［J］. Desert and Oasis Meteorology， 2019， 13（6）：65-72.
24	蒋国荣，沙文钰. 中期数值天气预报的误差订正方法探讨［J］. 气象科学， 1999， 19（4）：381-387.
	JIANG G R， SHA W Y. A study of error correction for medium range weather forecasting ［J］. Scientia Meteorologica Sinica， 1999， 19（4）：381-387.
25	袁红. 基于时空偏最小二乘回归的短临降水集合预报订正算法研究［D］. 兰州：兰州大学， 2023： 4-15.
	YUAN H. Correction algorithm of short-term precipitation ensemble forecasts based on spatio-temporal PLS regression ［D］. Lanzhou： Lanzhou University， 2023： 4-15.
26	曾小团，翟舒楠，梁依玲，等. 数值天气预报在广西的业务应用与进展［J］. 气象研究与应用， 2020， 41（4）：34-41.
	ZENG X T， ZHAI S N， LIANG Y L， et al. Operational application and progress of numerical weather forecast in Guangxi ［J］. Journal of Meteorological Research and Application， 2020， 41（4）： 34-41.
27	杨杰. 地表气温观测仪器与辐射误差订正方法研究［D］. 南京：南京信息工程大学， 2017：16-24.
	YANG J. Research of surface air temperature observation instrument and radiation error correction method ［D］. Nanjing： Nanjing University of Information Science and Technology， 2017： 16-24.
28	王宇星，杨学联，蔡琼琼，等. 一种台风风场动力学订正方法的研究［J］. 灾害学， 2017， 32（4）：51-59.
	WANG Y X， YANG X L， CAI Q Q， et al. Investigation on a dynamical correction method of wind field in typhoons ［J］. Journal of Catastrophology， 2017， 32（4）： 51-59.
29	门晓磊，焦瑞莉，王鼎，等. 基于机器学习的华北气温多模式集合预报的订正方法［J］. 气候与环境研究， 2019， 24（1）：116-124.
	MEN X L， JIAO R L， WANG D， et al. A temperature correction method for multi-model ensemble temperature in North China based on machine learning ［J］. Climatic and Environmental Research， 2019， 24（1）： 116-124.
30	高丰伟，田睿，周浩，等. 基于Spark MLlib中决策树算法对阿尔及利亚森林火灾的预测研究［J］. 四川林业科技， 2023， 44（5）：24-31.
	GAO F W， TIAN R， ZHOU H， et al. Forest fire prediction in Algeria based on decision tree algorithm in Spark MLlib ［J］. Journal of Sichuan Forestry Science and Technology， 2023， 44（5）： 24-31.
31	邓居昌，覃卫坚，韦文山. 机器学习算法在气候模式降水预测中的订正研究［J］. 计算机与数字工程， 2022， 50（11）：2428-2434.
	DENG J C， QIN W J， WEI W S. Research on correction of machine learning algorithms in climate model precipitation prediction ［J］. Computer and Digital Engineering， 2022， 50（11）： 2428-2434.
32	胡莹莹，庞林，王启光. 基于深度学习的7～15 d温度格点预报偏差订正［J］. 应用气象学报， 2023， 34（4）：426-437.
	HU Y Y， PANG L， WANG Q G. Application of deep learning bias correction method to temperature grid forecast of 7-15 days［J］. Journal of Applied Meteorological Science， 2023， 34（4）：426-437.
33	朱延和. 基于U-net神经网络的新疆地面气温和风的预报订正研究［D］. 南京：南京信息工程大学， 2023：18-26.
	ZHU Y H. Study on forecast and correction of surface air temperature and wind in Xinjiang based on U-net neural network［D］. Nanjing： Nanjing University of Information Science and Technology， 2023：18-26.
34	李明，来国红，常晏鸣，等. 深度学习算法中不同优化器的性能分析［J］. 信息技术与信息化， 2022（3）：206-209.
	LI M， LAI G H， CHANG Y M， et al. Performance analysis of different optimizers in deep learning algorithm ［J］. Information Technology and Informatization， 2022（3）： 206-209.
35	庞继超. 基于深度学习的次季节最高气温模式修正及概率预报［D］. 福州：福建师范大学， 2022.：1-26.
	PANG J C. Modification and probabilistic forecast of sub-seasonal maximum temperature based on deep learning ［D］. Fuzhou： Fujian Normal University， 2022： 1-26.
36	CAI Y， LI Q， FAN Y， et al. An automatic trough line identification method based on improved UNet ［J］. Atmospheric Research， 2021， 264： No.105839.
37	SHA Y， GAGNE D J， II， WEST G， et al. Deep-learning-based gridded downscaling of surface meteorological variables in complex terrain. Part Ⅱ： daily precipitation［J］. Journal of Applied Meteorology and Climatology， 2020， 59（12）： 2075-2092.
38	李恒升，元保军，常越. 气象数据三维可视化产品应用研究［J］. 气象与环境科学， 2023， 46（1）：106-111.
	LI H S， YUAN B J， CHANG Y. Research on application of meteorological data 3D visualization products ［J］. Meteorological and Environmental Sciences， 2023， 46（1）： 106-111.
39	HAN L， CHEN M， CHEN K， et al. A deep learning method for bias correction of ECMWF 24-240 h forecasts［J］. Advances in Atmospheric Sciences， 2021， 38（9）： 1444-1459.
40	SHI W， CABALLERO J， HUSZÁR F， et al. Real-time single image and video super-resolution using an efficient sub-pixel convolutional neural network ［C］// Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2016： 1874-1883.
41	张延彪，陈明轩，韩雷，等. 数值天气预报多要素深度学习融合订正方法［J］. 气象学报， 2022， 80（1）：153-167.
	ZHANG Y B， CHEN M X， HAN L， et al. Multi-element deep learning fusion correction method for numerical weather prediction［J］. Acta Meteorologica Sinica， 2022， 80（1）：153-167.
42	HUANG G， LIU Z， VAN DER MAATEN L， et al. Densely connected convolutional networks［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2017： 2261-2269.
43	HU Y F， YIN F K， ZHANG W M. Deep learning‐based precipitation bias correction approach for Yin-He global spectral model ［J］. Meteorological Applications， 2021， 28（5）： No.e2032.
44	张正达. 基于天气预报订正及多特征融合的输电线路覆冰等级预测［D］. 南京：南京信息工程大学， 2023：15-26.
	ZHANG Z D. Prediction of icing grade of transmission lines based on meteorological forecast correction and multi-feature fusion［D］. Nanjing： Nanjing University of Information Science and Technology， 2023： 15-26.
45	房善普. 基于集成学习和U-ConvLSTM网络的多模式气温预报算法研究［D］. 南京：南京信息工程大学， 2023：2-15.
	FANG S P. Research on multi-mode temperature forecasting algorithm based on ensemble learning and U-ConvLSTM network［D］. Nanjing： Nanjing University of Information Science and Technology， 2023： 2-15.
46	陈昱文，黄小猛，李熠，等. 基于ECMWF产品的站点气温预报集成学习误差订正［J］. 应用气象学报， 2020， 31（4）：494-503.
	CHEN Y W， HUANG X M， LI Y， et al. Ensemble learning for bias correction of station temperature forecast based on ECMWF products ［J］. Journal of Applied Meteorological Science， 2020， 31（4）： 494-503.
47	李紫丁. 基于深度学习的气象要素格点预报模式订正［D］. 长沙：湖南师范大学， 2019：4-18.
	LI Z D. Lattice forecast revision of meteorological elements based on deep learning ［D］. Changsha： Hunan Normal University， 2019：4-18.
48	郭雪东，张颖，曾志群，等. 基于Transformer的智能洪水预报模型及其应用研究［J］. 水电与新能源， 2023， 37（11）：32-35， 39.
	GUO X D， ZHANG Y， ZENG Z Q， et al. Intelligent flood forecasting model based on Transformer and its application ［J］. Hydropower and New Energy， 2023， 37（11）： 32-35， 39.
49	AZAD R， HEIDARI M， WU Y， et al. Contextual attention network： Transformer meets U-Net ［C］// Proceedings of the 2022 International Workshop on Machine Learning in Medical Imaging， LNCS 13583. Cham： Springer， 2022： 377-386.
50	李清格，杨小冈，卢瑞涛，等. 计算机视觉中的Transformer发展综述［J］. 小型微型计算机系统， 2023， 44（4）：850-861.
	LI Q G， YANG X G， LU R T， et al. Transformer in computer vision： a survey ［J］. Journal of Chinese Computer Systems， 2023， 44（4）：850-861.
51	张依然. 基于集成学习模型和CNN-ALSTM的气象要素预测研究［D］. 石家庄：河北师范大学， 2023：9-13.
	ZHANG Y R. Research on weather elements prediction based on ensemble learning model and CNN-ALSTM［D］. Shijiazhuang： Hebei Normal University， 2023： 9-13.
52	王琳. 基于多模式集合的季节-年际气候预测方法研究［D］. 武汉：中国地质大学， 2020：3-15.
	WANG L. Study on seasonal to interannual climate prediction with multi-model ensemble method［D］. Wuhan： China University of Geosciences， 2020： 3-15.
53	黄颖，金龙，周秀华. 基于深度置信网络的影响广西热带气旋年频数预测方法研究［J］. 数学的实践与认识， 2023， 53（2）：159-173.
	HUANG Y， JIN L， ZHOU X H. A deep belief network prediction scheme for the annual frequency of tropical cyclones［J］. Mathematics in Practice and Theory， 2023， 53（2）：159-173.
54	黄颖，陆虹，黄小燕，等. 基于EOF和LSTM的广西月降水量预测模型研究［J］. 气象研究与应用， 2023， 44（2）：20-26.
	HUANG Y， LU H， HUANG X Y， et al. Study on monthly precipitation prediction model in Guangxi based on EOF and LSTM［J］. Journal of Meteorological Research and Application， 2023， 44（2）：20-26.
55	王鹏. 基于深度学习的城市宜居性气候因子短时预测研究［D］. 天津：天津理工大学， 2023：1-14.
	WANG P. Short-time prediction of urban livability climate factors based on deep learning［D］. Tianjin： Tianjin University of Technology， 2023： 1-14.
56	杨淑贤. 基于深度学习方法对长江中下游夏季降水和气温季节预测的研究［D］. 南京：南京信息工程大学， 2023：17-28.
	YANG S X. Study on seasonal prediction of summer precipitation and temperature in the middle and lower reaches of the Yangtze River based on deep learning method［D］. Nanjing： Nanjing University of Information Science and Technology， 2023：17-28.
57	SINGH A， MUSHTAQ Z， ABOSAQFF H A， et al. Enhancing ransomware attack detection using transfer learning and deep learning ensemble models on cloud-encrypted data［J］. Electronics， 2023， 12（18）： No.3899.
58	LU P， MORRIS M， BRAZELL S， et al. Using generative adversarial networks to improve deep-learning fault interpretation networks ［J］. The Leading Edge， 2018， 37（8）： 578-583.
59	CHIANG W L， LIU X， SI S， et al. Cluster-GCN： an efficient algorithm for training deep and large graph convolutional networks［C］// Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2019： 257-266.
60	VELIČKOVIĆ P， CUCURULL G， CASANOVA A， et al. Graph attention networks ［EB/OL］. ［2023-12-12］. .
61	MONTANARI， KUHNKE L， LAAK A TER， et al. Modeling physico-chemical ADMET endpoints with multitask graph convolutional networks ［J］. Molecules， 2020， 25（1）： No.44.
62	DENG D， LEI Z， HONG X， et al. Describe molecules by a heterogeneous graph neural network with transformer-like attention for supervised property predictions ［J］. ACS Omega， 2022， 7（4）： 3713-3721.
63	SECKLER H， METZLER R. Author correction： Bayesian deep learning for error estimation in the analysis of anomalous diffusion［J］. Nature Communications， 2023， 14： No.7876.
64	刘全，翟建伟，章宗长，等. 深度强化学习综述［J］. 计算机学报， 2018， 41（1）：1-27.
	LIU Q， ZHAI J W， ZHANG Z Z， et al. A survey on deep reinforcement learning ［J］. Chinese Journal of Computers， 2018， 41（1）： 1-27.
65	SILVER D， SCHRITTWIESER J， SIMONYAN K， et al. Mastering the game of go without human knowledge ［J］. Nature， 2017， 550（7676）： 354-359.
66	MORAVČIK M， SCHMID M， BURCH N， et al. DeepStack： expert-level artificial intelligence in heads-up no-limit poker ［J］. Science， 2017， 356（6337）： 508-513.

传统非机器学习方法	优点	缺点
平均值订正法	在稳定气候条件下计算简单	无法处理复杂的误差结构
线性回归法	线性关系明显的气象要素中较适用	无法处理非线性关系
系统偏差订正法	能够纠正仪器或系统产生的误差	对非常量偏差处理能力有限
气候标准差法	考虑了气象要素的多个特征	依赖历史数据，无法处理非气候因素
物理模型订正法	能够处理复杂的非线性关系	需要较多的参数，模型建立较复杂

传统非机器学习方法	优点	缺点
平均值订正法	在稳定气候条件下计算简单	无法处理复杂的误差结构
线性回归法	线性关系明显的气象要素中较适用	无法处理非线性关系
系统偏差订正法	能够纠正仪器或系统产生的误差	对非常量偏差处理能力有限
气候标准差法	考虑了气象要素的多个特征	依赖历史数据，无法处理非气候因素
物理模型订正法	能够处理复杂的非线性关系	需要较多的参数，模型建立较复杂

传统机器学习方法	优点	缺点
SVM	可以拟合复杂的数据，适应不同的数据模式	在大规模和高维数据中计算复杂
RF	处理非线性关系能力强，适应高维数据	解释性较差，存在过拟合问题
岭回归（Ridge）	能够处理噪声干扰，较好地提取特征	对于非线性的数据集存在偏差
K近邻	对样本不均匀数据具有较好适应性	容易陷入局部最优解，需要适当正则化

传统机器学习方法	优点	缺点
SVM	可以拟合复杂的数据，适应不同的数据模式	在大规模和高维数据中计算复杂
RF	处理非线性关系能力强，适应高维数据	解释性较差，存在过拟合问题
岭回归（Ridge）	能够处理噪声干扰，较好地提取特征	对于非线性的数据集存在偏差
K近邻	对样本不均匀数据具有较好适应性	容易陷入局部最优解，需要适当正则化

深度学习网络	特点	气象应用
CNN	处理网格化数据，从局部感受野中提取空间特征	气象雷达图像的处理
RNN	处理序列数据，能够捕捉序列之间的依赖关系	气温、降水量等序列数据的预测
Transformer	能够处理长序列并捕捉全局语义信息	天气预报文本的生成以及情感分析
GAN	通过对抗学习的方式生成图像，具有创造性	生成逼真的气象图像
图神经网络	专门处理图结构数据，能捕捉图结构中的关联信息	关系建模、预测气象情况

深度学习在气象数据订正中的应用综述

Survey of application of deep learning in meteorological data correction

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 12

参考文献 66

相关文章 15

编辑推荐

Metrics

模型	参数量	RMSE
模型	参数量	［0，24］ h	（24，48］ h	（48，72］ h
YHGSM	—	2.188	2.282	2.308
U-Net	7 862 409	1.642	1.192	1.529
Att-UNet	9 038 173	1.579	1.189	1.536
Res-UNet	24 052 809	1.524	1.131	1.461
RA-UNet	25 209 245	1.506	1.107	1.443

模型	12 h预报			24 h预报			36 h预报			48 h预报
模型	相关系数	均方根值/℃	平均绝对误差/℃	相关系数	均方根值/℃	平均绝对误差/℃	相关系数	均方根值/℃	平均绝对误差/℃	相关系数	均方根值/℃	平均绝对误差/℃
BEIJING_MR	0.81	1.12	0.70	0.83	1.12	0.71	0.83	1.12	0.74	0.81	1.25	0.83
ECMWF_HR	0.83	1.17	0.73	0.83	1.16	0.76	0.82	1.15	0.73	0.82	1.23	0.80
GRAPES-GFS	0.85	1.08	0.68	0.88	1.03	0.65	0.85	1.09	0.66	0.85	1.12	0.69
JAPAN_MR	0.82	1.18	0.72	0.86	1.07	0.69	0.84	1.15	0.74	0.81	1.21	0.78
Ensemble	0.87	1.04	0.63	0.91	0.87	0.57	0.87	0.98	0.62	0.86	1.03	0.62

站点	预报气温	LR	ANN	LSTM-FCN	ALS
贵阳站	2.02	1.57	1.55	1.48	1.48
原平站	4.15	2.88	2.63	2.64	2.60
福州站	2.82	1.88	1.80	1.75	1.72
台南站	1.86	1.61	1.55	1.49	1.49

预测模型		N0	N1	N2	预测评分
DBN	建模	32	12	0	77.88
DBN	预测	6	2	1	83.33
逐步回归	建模	50	8	5	95.10
逐步回归	预测	5	2	0	73.68

[1]	秦璟, 秦志光, 李发礼, 彭悦恒. 基于概率稀疏自注意力神经网络的重性抑郁疾患诊断[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2970-2974.
[2]	王熙源, 张战成, 徐少康, 张宝成, 罗晓清, 胡伏原. 面向手术导航3D/2D配准的无监督跨域迁移网络[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2911-2918.
[3]	黄云川, 江永全, 黄骏涛, 杨燕. 基于元图同构网络的分子毒性预测[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2964-2969.
[4]	潘烨新, 杨哲. 基于多级特征双向融合的小目标检测优化模型[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2871-2877.
[5]	李顺勇, 李师毅, 胥瑞, 赵兴旺. 基于自注意力融合的不完整多视图聚类算法[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2696-2703.
[6]	刘禹含, 吉根林, 张红苹. 基于骨架图与混合注意力的视频行人异常检测方法[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2551-2557.
[7]	顾焰杰, 张英俊, 刘晓倩, 周围, 孙威. 基于时空多图融合的交通流量预测[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2618-2625.
[8]	石乾宏, 杨燕, 江永全, 欧阳小草, 范武波, 陈强, 姜涛, 李媛. 面向空气质量预测的多粒度突变拟合网络[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2643-2650.
[9]	吴筝, 程志友, 汪真天, 汪传建, 王胜, 许辉. 基于深度学习的患者麻醉复苏过程中的头部运动幅度分类方法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2258-2263.
[10]	李欢欢, 黄添强, 丁雪梅, 罗海峰, 黄丽清. 基于多尺度时空图卷积网络的交通出行需求预测[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2065-2072.
[11]	张郅, 李欣, 叶乃夫, 胡凯茜. 基于暗知识保护的模型窃取防御技术DKP[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2080-2086.
[12]	赵亦群, 张志禹, 董雪. 基于密集残差物理信息神经网络的各向异性旅行时计算方法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2310-2318.
[13]	徐松, 张文博, 王一帆. 基于时空信息的轻量视频显著性目标检测网络[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2192-2199.
[14]	孙逊, 冯睿锋, 陈彦如. 基于深度与实例分割融合的单目3D目标检测方法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2208-2215.
[15]	赵雅娟, 孟繁军, 徐行健. 在线教育学习者知识追踪综述[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1683-1698.