使用长短期记忆网络融合内华达山脉山区的降水数据
机器学习
2024-04-23 v2 人工智能
大气与海洋物理
摘要
获得高时空分辨率可靠的降水估计对水文研究至关重要。然而，在高山复杂地形上准确估计降水是一项挑战。三种广泛使用的降水测量方法——雨量计、降水雷达和卫星降水传感器——在复杂区域生成可靠降水产品方面各有优缺点。减少探测错误概率和提高数据可靠性的一种方法是降水数据融合。随着计算能力的快速进步以及地球观测数据数量和多样性的增加，深度学习模型在地球科学中受到关注。本研究采用深度学习技术——长短期记忆网络——融合基于雷达和基于卫星的全球降水测量（GPM）降水产品——集成多卫星检索GPM（IMERG）降水产品，时间尺度为小时。将融合结果与广泛使用的再分析降水产品——多雷达多传感器（MRMS）进行比较，并针对加州数据交换中心（CDEC）的雨量计观测数据进行评估。结果表明，基于LSTM的融合降水显著低估了雨量计观测值，有时甚至无法提供有意义的估计，显示出主要为接近零的值。仅依靠单个定量降水估计（QPE）而没有额外气象输入不足以生成可靠的融合QPE。然而，融合结果有效捕捉了观测的时间趋势，在这方面优于MRMS。这表明引入偏差校正技术可能提高融合产品的精度。
引用
@article{arxiv.2404.10135,
title = {Using Long Short-term Memory (LSTM) to merge precipitation data over mountainous area in Sierra Nevada},
author = {Yihan Wang and Lujun Zhang},
journal= {arXiv preprint arXiv:2404.10135},
year = {2024}
}