.png){kind=icon}
返回
Rainfall prediction using stacked deep learning networks
.png){kind=icon}
PRE
AI
DOI：10.1007/s40808-025-02523-8.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
准确降雨预测是气象预报中的一个关键且复杂的挑战，对灾害准备、农业规划和水资源管理至关重要。降雨预报依赖于预测因子与被预报降雨之间的关系。本研究提出了一种堆叠双向长短期记忆网络（SBiLSTM）用于降雨时间序列预测。通过利用双向处理，SBiLSTM模型能够有效捕捉正向和反向方向中的复杂时间依赖性，揭示时间序列数据中的复杂关系。通过堆叠多个BiLSTM层，该模型能够学习数据中更深层次和更复杂的模式和关系，从而提高降雨预报的可靠性和准确性。本研究使用了来自Nigeria的气象数据来训练和评估模型。该方法包括数据预处理，并采用交叉验证方法来训练基于SBiLSTM的时间序列模型。通过模拟实验评估了SBiLSTM模型的性能，并将其与其他深度学习架构进行比较，包括长短期记忆网络（LSTM）、卷积神经网络（CNN）、双向长短期记忆网络（BiLSTM）和多层感知器（MLP）模型。获得的结果表明，SBiLSTM模型在Nigeria降雨预测中实现了低平均绝对误差（MAE）和均方根误差（RMSE），同时具有较高的R2值，其得分分别为4.4158、9.962和0.987。对于Kaduna地区，模型实现了MAE、RMSE和R2值分别为51.831、162.934和0.831。获得的结果表明，SBiLSTM模型表现出卓越的预测性能，突显了其在气象应用中提高降雨预报准确性的潜力。
Keyword:
Rainfall prediction
Long short-term memory
SBiLSTM
期刊
E
IF:
4.7
论文数:
1.3K
被引数:
2.1K
机构
引用论文
Does bootstrapping the remainder component of seasonal time series improve forecasting using SARIMA model? An application to rainfall data通过SARIMA模型对季节性时间序列的剩余分量进行自助法处理是否能够改善预测？——降雨数据的应用
PREAI
分享收藏CNN vs. LSTM: A Comparative Study of Hourly Precipitation Intensity Prediction as a Key Factor in Flood Forecasting FrameworksCNN vs. LSTM：关于小时降水强度预测作为洪水预报框架关键因素的比较研究.png)
Atmosphere
OAAI
AtmosphereIF0
OAAI分享收藏
Data-driven multi-step prediction and analysis of monthly rainfall using explainable deep learning
PREAI
分享收藏分享收藏COVID-19 and Pneumonia Diagnosis in X-Ray Images Using Convolutional Neural Networks基于卷积神经网络的X-Ray图像COVID-19与肺炎诊断OAAI
OAAI分享收藏
查看更多内容