.png){kind=icon}
返回
Real-time temperature nowcasting using deep learning models across multiple locations
.png){kind=icon}
PRE
AI
DOI：10.1007/s40808-025-02353-8.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
气温是重要的气候指标，对环境、水文学、农业和灾害管理等各个领域产生显著影响。准确及时的气温预报对于有效的风险管理及未来规划至关重要。本研究调查了深度学习（DL）模型在巴基斯坦不同地区进行气温即期预报的性能。我们利用了2018年至2023年四个气象站点（Murree、Swat、Multan和Sukkur）的小时温度数据，这些站点代表了不同的气候条件。本研究中比较的模型包括长短期记忆网络（LSTM）、卷积神经网络（CNN）、前馈神经网络（FNN）以及一种混合CNN-LSTM架构。这些模型的性能通过多项统计标准（MSE、MAE、RMSE和MAPE）和视觉比较进行评估。结果表明，虽然LSTM模型表现最佳，但CNN、FNN和混合CNN-LSTM模型也显示出相当大的潜力。然而，可以得出结论，LSTM模型优于其他模型。这些发现强调了深度学习算法在预测不同气候场景下温度的适应性。本研究对农业、交通和灾害救济等领域的意义显著，这些领域依赖于准确的温度预报以实现有效的资源分配和气候风险管理。通过推动巴基斯坦的即期预报技术，本研究有助于增强应对天气相关挑战的韧性。
Keyword:
Climate change
Meteorological weather nowcasting
Deep learning
Models climate risk management
Agriculture
Transportation
Disaster relief
期刊
E
IF:
4.7
论文数:
1.3K
被引数:
2.1K
机构
暂无机构信息
引用论文
Simulating runoff under changing climatic conditions: A comparison of the long short-term memory network with two conceptual hydrologic models.png)
JOURNAL OF HYDROLOGY
JOURNAL OF HYDROLOGYIF6.3
PREAI
分享收藏
Deterministic weather forecasting models based on intelligent predictors: A survey基于智能预测器的确定性天气预报模型：综述
OAAI
OAAI分享收藏
查看更多内容