《表3 基于LSTM的大气可降水量估算模型精度》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于深度LSTM神经网络的大气可降水量估算模型》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

利用地面气象要素基于深度LSTM神经网络对怀化地区4个观测站的GPS可降水量估算建模进行训练，并利用测试集对模型精度进行检验，结果如表3和图3（以LSTM1模型为例）所示。由表3可知，沅陵、溆浦、靖州和通道4个观测站的深度LSTM可降水量估算模型决定系数均大于0.94，LSTM5模型RMSE均值为1.158 1 mm，MAE均值为0.709 9 mm，MAPE均值为4.54%；LSTM1模型RMSE均值为1.1303mm，MAE均值为0.670 7 mm，MAPE均值为4.23%。相较于基于水汽压的可降水量线性拟合或二次多项式拟合模型5 mm的RMSE的估算精度[8，10-12]，LSTM模型精度提升了70%以上，且R2、MAE和MAPE指标均得到大幅改进。LSTM1模型精度略优于LSTM5模型，可能是由于LSTM5模型选用的5个特征因子间存在一定相关性造成的信息冗余影响模型精度。由图3可知，除个别时次外，可降水量LSTM模型估算值均能较好反映实际观测值，且对可降水量的转折性变化有较好体现，进而反映可降水量变化趋势。对比4个观测站LSTM模型估算可降水量精度，可见其与测站海拔高度呈现正相关，海拔最高的通道站（表1）其大气可降水量估算RMSE仅为0.847 9 mm，为4个观测站最小。其原因可能是大气水汽分布随海拔呈指数衰减，低海拔地区水汽更为充沛且变化迅速，增加了模型的训练难度。