149 / 2023-03-30 10:15:06

基于机器学习的城市冠层气温预测：现状与基线

机器学习；深度学习；城市冠层温度；时间序列

空气温度在调节整个城市系统（如居民健康和能源消耗）起着基础性的作用，因此它成为了至关重要的关键环境变量。然而，由于天气系统的复杂性和各种人为干扰，目前的数值天气预报仍然难以对城市空气温度进行及时和精确的预测。鉴于机器学习技术在各个科学领域取得的显著成就，本研究首先总结了当前机器学习在城市温度预测方面的应用，并深入解析当前的基准模型。基于2011年至2022年应用机器学习进行空气温度预测的45篇文章，本文首先从性能、模型和数据等三个方面进行总结，并针对当前不足提供了进一步的建议，包括严格的验证、有效利用数据和进一步改进模型。此外，基于目前对模型构建的理解仍不充分，本文使用使用经典的深度学习模型——长短时记忆循环网络（LSTM）作为基准模型进行综合分析。通过TPE方法进行16800次超参数搜索，发现相比于直接输入空气温度时间序列，添加时间戳和模型分解都可以显著提高LSTM性能。此外超参数分析表明，一个更简单的单向单层架构已经可以在预测冠层空气温度方面提供最佳性能，这意味着温度预测的性能已经不能通过单纯增加LSTM模型复杂性来进一步提高。