文献类型：期刊文章

作　　者：王国松[1,2] 王喜冬[1] 侯敏[3] 齐义泉[1] 宋军[4] 刘克修[2] 吴新荣[2] 白志鹏[5]

Wang Guosong;Wang Xidong;Hou Min;Qi Yiquan;Song Jun;Liu Kexiu;Wu Xinrong;Bai Zhipeng(College of Oceanography,Hohai University,Nanjing 210098,China;National Marine Data and Information Service,Tianjin 300171,China;Tianjin Binhai New Area Meteorology Administration,Tianjin 300457,China;Operational Oceanographic Institution,School of Marine Science and Environment Engineering,Dalian Ocean University,Dalian 116023,China;61741 Troops,Beijing 100094,China)

机构地区：[1]河海大学海洋学院,江苏南京210098 [2]国家海洋信息中心,天津300171 [3]天津市滨海新区气象局,天津300457 [4]大连海洋大学海洋科技与环境学院应用海洋研究所,辽宁大连116023 [5]61741部队,北京100094

出　　处：《海洋学报》

基　　金：国家重点研发计划（2016YFC1401903）;国家自然科学基金（41776004）;河海大学中央高校基本科研业务费（2016B12514）

年　　份：2020

卷　　号：42

期　　号：1

起止页码：67-77

语　　种：中文

收录情况：BDHX、BDHX2017、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2019_2020、IC、JST、PROQUEST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：基于海洋气象历史观测资料和再分析数据等,利用LSTM深度神经网络方法,开展在有监督学习情况下的海面风场短时预报应用研究。以中国近海5个代表站为研究区域,通过气象台站观测数据和ERA-Interim 6 h再分析数据构建数据集。选取21个变量作为预报因子,分别构建两个LSTM深度神经网络框架(OBS_LSTM和ALL_LSTM)。经与2017年WRF模式6 h预报结果对比分析,得出如下结论:构建的两个LSTM风速预报模型可以大幅降低风速预报误差,RMSE分别降低了41.3%和38.8%,MAE平均降低了43.0%和40.0%;风速误差统计和极端大风分析发现,LSTM模型能够抓住地形、短时大风和台风等敏感信息,对于大风过程预报结果明显优于WRF模式;两种LSTM模型对比发现,ALL_LSTM模型风速预报误差最小,具有很好的稳定性和鲁棒性,OBS_LSTM模型应用范围更广泛。

关 键 词：深度学习  LSTM  海面风速 短时预报  WRF模式

分 类 号：P732.4[海洋科学类;海洋工程类]