利用长短期记忆网络(LSTM)与物联网(IoT)进行城市环境局地地表温度预报
机器学习
2021-02-08 v1
摘要
气温升高是气候变暖的关键指标之一，它会对生物系统和人工建筑造成广泛压力。由于热岛效应，与其他地貌相比，城市环境中因植被减少及密集人工建成环境导致该问题最为严重。为降低与升温相关的风险，充分监测局地温度动态至关重要，这些风险包括保护人与动物的短期策略，以及如何处理极端事件和建造新结构的长期策略。观测温度也是大气模型的重要输入，准确数据可改进未来预报。地面环境温度的变异性高于区域天气预报，后者无法捕捉局地动态。以高时空分辨率在城市亚尺度上准确预报气温仍有明确需求。本研究提出一种基于长短期记忆网络(LSTM)深度学习框架，以生成高空间分辨率的提前一日逐时温度预报。案例研究使用美国纽约市的历史原位观测与物联网(IoT)观测数据。通过利用原位观测的历史气温数据，LSTM模型可接触到IoT观测中可能不存在的更多历史模式。同时，通过使用IoT观测，气温预报的空间分辨率显著提升。
引用
@article{arxiv.2102.02892,
title = {Using Long Short-Term Memory (LSTM) and Internet of Things (IoT) for localized surface temperature forecasting in an urban environment},
author = {Manzhu Yu and Fangcao Xu and Weiming Hu and Jian Sun and Guido Cervone},
journal= {arXiv preprint arXiv:2102.02892},
year = {2021}
}