下载文档原格式
Operations Research and Fuzziology 运筹与模糊学, 2023, 13(2), 557-565 Published Online April 2023 in Hans. https://www.hanspub.org/journal/orf https://doi.org/10.12677/orf.2023.132055
文章引用: 董振, 鲍艳松, 林青, 潘宁. 基于卷积神经网络的区域温度预报订正研究[J]. 运筹与模糊学, 2023, 13(2): 557-565. DOI: 10.12677/orf.2023.132055
基于卷积神经网络的区域温度预报订正研究 董 振1，鲍艳松1,2,3，林 青4,5，潘 宁4,5 1南京信息工程大学大气物理学院，江苏 南京
2南京信息工程大学气象灾害预报预警与评估协同创新中心，江苏 南京
3南京信息工程大学中国气象局气溶胶–云–降水重点开放实验室，江苏 南京
4福建省灾害天气重点实验室，福建 福州
5福建省气象台，福建 福州
收稿日期：2023年2月20日；录用日期：2023年4月3日；发布日期：2023年4月10日
摘 要 为提高ECMWF (European Centre for Medium-Range Weather Forecasts)模式2 m温度预报产品的预报精度，选取2018年~2021年ECMWF模式2 m温度预报产品及CLDAS (CMA Land Data Assimilation System)格点融合数据，进行了误差分析并使用卷积神经网络模型进行订正研究，结果表明：1) ECMWF
模式2 m温度预报产品夏季预报精度要高于冬季，且在转折性低温天气的情况下误差较大；2) 经过卷积神经网络模型的订正，2 m温度预报产品精度得到提高，预报准确率整体提升约5%，平均绝对误差和均方根误差均降低了0.5℃~0.8℃；3) 对比传统使用历史长期资料的订正方式，模型可以使用更少的数据，达到较好的订正效果，减少统计工作量。
利用神经网络的气象预测模型研究气象预测是近年来越来越重要的一项工作，由于气象系统的复杂性，很难用传统的数学模型精确预测天气。
因此，研究如何利用现代计算机技术来解决难以预测的天气变化已经成为一个热点话题。
神经网络是一种广泛应用于现代计算机技术的人工智能技术。
利用神经网络的气象预测模型可以精确地预测气象变化，并且准确率超过传统的统计学模型。
下面将简要介绍利用神经网络的气象预测模型研究。
一、神经网络的气象预测模型神经网络是一种可以从数据中学习模式并进行预测的计算机系统。
它通过模拟人类大脑中的神经元来处理信息，并可以识别出数据中隐藏的规律。
在气象预测中，神经网络可以有效地捕捉数据中的关键特征并精确地预测气象变化。
神经网络气象预测模型主要由输入层、隐藏层和输出层组成。
输入层接收与气象相关的数据，如温度、湿度、风速、气压等，输入到神经网络中；隐藏层对输入数据进行模式识别和学习；输出层将隐藏层中的结果转化为可读性更强的结果，比如明天的气象情况和温度等等。
整个模型的预测准确性取决于网络中的参数设置和数据的质量。
二、神经网络气象预测模型的优势神经网络是一种在气象预测中非常理想的技术。
与传统的数学模型相比，神经网络气象预测模型有以下几个方面的优势：1. 处理非线性关系：气象变化通常具有不确定性和非线性特点。
神经网络气象预测模型能够有效地捕捉非线性关系，适应多变的气象变化。
2. 建模精度高：神经网络气象预测模型是一种高精度的模型，能够准确地捕捉气象数据中的规律。
通过多次训练和调整参数，可以提高气象预测的准确性。
3. 数据处理能力强：神经网络能够有效地处理大规模的气象数据，而且学习能力强，具有自适应性。
在处理气象数据时，神经网络具有一定的容错能力，这是传统数学模型所不能比拟的优势。
4. 系统稳定性高：神经网络气象预测模型具有很高的稳定性，即使在变化剧烈的环境中也能够保持较高的准确率。
三、神经网络气象预测模型的应用范围神经网络气象预测模型已经广泛应用于气象预测、城市规划、交通规划等领域。
人工智能技术气候预测应用简介作者：杨淑贤零丰华应武杉杨松罗京佳来源：《大气科学学报》2022年第05期摘要近年来，随着人工智能技术在多个领域大数据分析中的应用，许多研究工作者尝试将地学研究与人工智能跨学科结合，取得了很多新的进展，推动了地球科学的发展。
其中气候预测与人类生活以及防灾减灾等息息相关，准确的气候预测至关重要。
本文简要总结了人工智能技术在气候预测应用方面的研究进展，包括资料同化、模式参数化、求解偏微分方程、构建统计预测模型、改进数值模式产品释用等领域。
这些研究证明了利用人工智能提高气候预测技巧的可能性和适用性，可以极大地节省计算成本和时间。
然而人工智能应用也存在诸多挑战，例如数据集的构建、模型的适用性和物理可解释性等问题，对这些难点问题的研究和攻克，可以让人工智能在大数据时代中更好地补充传统地球科学方法，产生更多有益的效应，极大地改进气候预测水平。
关键词人工智能;数值产品释用;气候预测近年来，热浪、干旱、洪涝、风暴等极端天气气候事件频发，严重影响着当地经济、工农业发展以及人民的生命财产安全。
例如，世界气象组织（WMO）发布的《2020年气候服务状态报告》指出，2018年全球约有1.08亿人遭受风暴、洪涝、干旱和野火等灾害影响，到2030年这一数量将增加近50％，每年的损失约为200亿美元。
英国公益团体基督教救济会2020年12月28日发布报告称，2020年大西洋出现30个获得命名的飓风，打破了历年纪录，导致至少400人死亡、直接经济损失410亿美元以上。
2019—2020年澳大利亚发生规模空前的山火，烧毁20％的森林，烧死成百上千万只野生动物（Komesaroff and Kerridge，2020）。
由此可见，气候变化带来的影响已不容小觑，并且气候变化具有很强的敏感性，往往海洋温度变化0.5 ℃就能引发强烈的海气相互作用（Trenberth，1997;Trenberth and Stepaniak，2001），导致全球多地的气候发生异常（Rasmusson and Wallace，1983;Glantz et al，1991;McPhaden et al.，2006），影响人类社会的进步和发展。
总760期第二十六期2021年9月河南科技Henan Science and Technology基于机器学习算法的雷达估测降水技术研究张伟全志伟（兰州中心气象台，甘肃兰州730000）摘要：通过对多普勒天气雷达数据进行预处理，生成大量的雷达回波图像，并构造了雷达回波序列图像库，为机器学习提供训练样本集。
基于机器学习算法时空预测神经网络（PredRNN++）建立雷达估测降水识别模型，实现0～3h雷达回波预测。
结果表明：将时空预测神经网络方法应用于雷达回波识别，可突破传统1h预报预警时效，与传统的深度学习算法相比效果较好。
关键词：机器学习；雷达；估测降水中图分类号：P412.25文献标识码：A文章编号：1003-5168（2021）26-0026-03 Research on Radar Precipitation Estimation TechnologyBased on Machine Learning AlgorithmZHANG Wei QUAN Zhiwei（Lanzhou Central Meteorological Observatory,Lanzhou Gansu730000）Abstract:By preprocessing doppler weather radar data,a large number of radar echo images are generated,and a ra⁃dar echo sequence image library is constructed to provide training sample set for machine learning,the recognition model of radar precipitation estimation is established based on machine learning Algorithm time-space prediction neural network(PredRNN++)to realize0～3h radar echo prediction.The results show that the method of time-space prediction neural network applied to radar echo recognition can break through the traditional time-effect of1h pre⁃diction and has better effect than the traditional depth-learning Algorithm.Keywords:machine learning；radar；precipitation estimation随着研究的深入，很多气象学者发现降水元素之间的关系大多是非线性的，于是越来越多的研究者开始尝试用神经网络的方法进行降水外推预报。
一种基于CNN和RNN深度神经网络的天气预测模型——以北京地区雷暴的6小时临近预报为例一种基于CNN和RNN深度神经网络的天气预测模型——以北京地区雷暴的6小时临近预报为例近年来，随着气候变化的不断加剧，天气预测对人们的生活和工作越来越重要。
尤其是对于雷暴这种极端天气，准确地预测其发生时间和强度，对于人们的生命财产安全至关重要。
因此，开发一种可靠的天气预测模型对于社会的发展和人们的生活有着重要的意义。
本文将介绍一种基于深度神经网络的天气预测模型，通过结合卷积神经网络（CNN）和递归神经网络（RNN）的特点，利用北京地区雷暴历史数据进行训练和验证，达到对雷暴的6小时临近预报的目的。
首先，我们需要收集大量的天气数据，包括气温、湿度、气压、风速等，以及雷暴的历史发生时间和强度。
这些数据将作为我们模型的输入和输出。
接着，我们需要对数据进行预处理，包括数据的归一化和划分训练集、验证集和测试集。
在模型的设计中，我们采用了CNN和RNN的结合。
CNN适用于提取输入数据的空间特征，能够有效地捕捉到数据中的局部模式。
而RNN则能够考虑到时间序列的特性，可以利用历史数据的信息进行预测。
首先，我们将输入数据送入CNN模块。
CNN通过多层卷积和池化操作，对输入数据进行特征提取和降维。
随后，我们将CNN提取的特征作为RNN的输入。
RNN在处理时间序列数据时，会通过前一时刻的输出和当前时刻的输入来产生当前时刻的输出。
这样可以充分考虑到历史数据的影响，以及输入数据的动态变化。
接下来，我们需要定义模型的损失函数和优化算法。
在本模型中，我们采用均方根误差（RMSE）作为损失函数，用于衡量预测结果与真实值之间的差距。
优化算法我们选择了Adam，它结合了动量和自适应学习率的特点，能够有效地进行参数更新。
在训练阶段，我们使用历史数据对模型进行训练，并根据验证集的结果来调整模型的超参数。
通过反复训练和验证，直到模型在验证集上达到较好的性能。
基于卷积神经网络的天气预报模型研究随着科技的不断进步和人类对气象的深入研究，天气预报已经成为人们日常生活中必不可少的一部分。
天气预报的准确性不仅关系到人们的出行安全和生活品质，也与农业生产、城市规划等方面息息相关。
在传统天气预报中，人工观测仍是不可或缺的一环，但是随着数据的增加和技术的发展，基于数据的预报方法也逐渐得到了广泛的应用。
本文将讨论一种应用广泛的数据驱动模型——基于卷积神经网络的天气预报模型，并探讨其研究现状和未来发展方向。
一、卷积神经网络简介卷积神经网络（Convolutional Neural Network, CNN）是一种深度学习模型，尤其在图像、语音识别、自然语言处理等领域有着广泛的应用。
CNN 的基本结构包括卷积层、池化层和全连接层。
其中，卷积层是 CNN 的核心，它可以提取出图像的特征。
在卷积层中，通过多个不同的卷积核对输入的样本进行卷积操作，得到的卷积特征图可以有效地表征输入样本的不同特征。
池化层用于降维，一般选用的是最大池化或平均池化，全连接层用于处理卷积层提取的特征，最后经过激活函数输出需要的结果。
卷积神经网络利用了局部信息和权重共享的特点，有效地减小了模型的参数规模，降低了训练和测试的时间和空间复杂度。
二、基于卷积神经网络的天气预报模型基于卷积神经网络的天气预报模型通过建立气象预报模型，预测未来一段时间内的天气状况。
该模型可以训练大量历史数据，利用过去的气象数据来预测未来的天气情况。
卷积神经网络作为该模型的基本框架，通过对多个时间步的气象数据进行卷积，提取气象要素的空间特征，并尝试将时空信息融合在一起进行预测，从而得到更加准确的天气预测结果。
三、卷积神经网络的优点基于卷积神经网络的天气预报模型相较于传统模型，拥有以下优点：1.能够提取气象数据的本质特征，避免人工预测过程中的主观因素，提高了预报的准确性和稳定性。
2.能够自适应地识别气象数据中的高阶特征，对数据的非线性特征具有更好的拟合能力。
基于MLP神经网络的气象时间序列预测模型研究随着气候变化的日益加剧，气象数据的准确预测对于人们生活、农业、交通等方面都有着极为重要的意义。
传统的气象预测方法往往依赖于经验、历史数据和统计方法，但这种方法的效果可能受到自然环境变化等因素的影响。
因此，基于MLP神经网络的气象时间序列预测模型成为了一种有效的新方法，本文将就该方法进行探讨。
一、MLP神经网络的基本原理MLP神经网络是一种常用于非线性回归、分类和预测的技术。
该技术依据训练数据集建立的多层前向神经网络结构作为数学模型，通过学习和调整网络权重实现对数据进行预测。
在MLP神经网络中，输入层和输出层之间可能包含若干个隐藏层，每个隐藏层都由多个神经元组成。
神经元根据输入的信息，通过训练与自我调整，得出最终的输出值，该值作为下一层神经元的输入值。
通过不断训练、学习和调整神经网络权重，可以使神经网络的实际输出值与期望输出值差异最小化，从而实现对于输入数据的准确预测。
二、基于MLP神经网络的气象时间序列预测模型研究MLP神经网络的一大优势在于可以应对复杂的非线性问题，而气象数据则具有多变性、时序性、不确定性等特点，适合采用基于MLP神经网络的气象时间序列预测模型。
该模型主要分为四个部分，分别是数据预处理、搭建神经网络模型、训练模型和预测结果。
1. 数据预处理数据预处理是模型研究的重要基础，其主要任务是消除数据的噪声干扰、填补缺失数据和数据标准化等。
在进行数据预处理时，需先将原始气象数据进行分析，分清数据的主要特点和规律，做出相应的预处理方案。
2. 搭建神经网络模型搭建神经网络模型的任务是根据数据预处理的结果，确定神经网络的结构和节点数目，从而完成神经网络模型的整体构建。
神经网络结构的设计涉及到输入层、隐层和输出层的节点数目、权值、阈值等参数，是实现高精度预测的关键因素。
3. 训练模型训练模型是指将历史气象数据分为训练集和测试集，在训练集上应用BP算法进行神经网络的训练，调整网络权重和阈值等参数，然后在测试集上进行检测，评估模型的准确性。
基于深度LSTM神经网络的大气可降水量估算模型随着气候变化的加剧，气象预报对可降水量的精准估算越来越重要。
在过去，气象预测主要依靠经验模型和统计分析，这些方法通常只能提供相对低精度的预测结果。
近年来，深度学习技术的快速发展，尤其是基于长短时记忆网络（LSTM）的神经网络在气象预报方面的应用得到了广泛关注，并在某些情况下表现出优异的性能。
本文介绍了一种基于LSTM神经网络的大气可降水量估算模型，该模型以历史气象数据作为输入，利用LSTM网络对各个特征之间的复杂交互关系进行建模，并输出未来某一时间段内的可降水量预测。
本文最终提出了一个效果较好的模型，能够对未来24小时内的可降水量进行准确的预测。
本文的数据集来自中国气象局全国3813个自动站的气象观测数据，包括大气压力、温度、相对湿度、风速、降雨量等多个气象特征。
为了保证不同站点之间的气象数据同步，本文采用了常见的距平化（anomaly）技术。
距平化即将当前观测特征减去历史平均特征值，以保证所有特征都处于相同的数量级。
本文采用了两种不同的LSTM网络结构：基本LSTM（Vanilla LSTM）和堆叠LSTM（Stacked LSTM）。
在基本LSTM中，每个LSTM单元只有一个隐藏状态，而在堆叠LSTM中，每个LSTM 单元有多个隐藏状态层，以此增强模型的非线性建模能力。
本文还引入了卷积神经网络（Convolutional Neural Network，CNN）来对气象特征进行卷积操作，加强特征的抽象能力。
在对两种不同LSTM网络结构进行实验对比之后，本文发现，在考虑了更高阶特征和更完整的时间序列信息之后，堆叠LSTM模型能够获得更好的预测精度。
其次，本文发现在本实验中使用CNN对气象特征的降维和提取非线性特征能够显著提高模型的预测能力。
在使用基于堆叠LSTM和CNN的模型进行未来24小时的大气可降水量预测时，本文实现了平均绝对误差（MAE）仅为2.68mm的精度，较当前主流的预测模型表现更佳。
基于深度LSTM神经网络的大气可降水量估算模型随着气候变化日益加剧，对大气可降水量的准确估算变得越发重要。
大气可降水量是指大气中水气的含量，它对于气候预测、灾害预警等方面有着重要的作用。
由于大气系统的复杂性和不确定性，传统的物理模型在估算大气可降水量时存在一定的局限性。
基于深度学习的神经网络模型成为近年来研究的热点，它能够利用大量的数据进行学习，从而更好地预测大气可降水量。
在深度学习模型中，长短期记忆网络（LSTM）是一种能够有效捕捉时间序列信息的模型，它在许多领域都有着广泛的应用。
在大气科学中，利用LSTM模型对大气可降水量进行估算，能够更好地挖掘数据中的时序特征，从而提高估算的准确度。
随着计算机算力的不断提升和数据的不断积累，基于深度LSTM神经网络的大气可降水量估算模型正逐渐成为大气科学研究的重要工具。
基于深度LSTM神经网络的大气可降水量估算模型需要大量的数据进行训练。
包括观测数据、卫星遥感数据、模式模拟数据等多种来源的数据。
这些数据能够为模型提供丰富的信息，帮助模型学习大气可降水量的变化规律。
由于大气系统具有复杂的时空结构，传统的物理模型往往难以准确地描述其变化规律，而深度学习模型能够通过对数据的学习，发现其中的隐藏特征，从而更好地进行大气可降水量的估算。
基于深度LSTM神经网络的大气可降水量估算模型还能够自动提取特征。
传统的物理模型需要人工设计特征，并对特征进行不断调整，以提高预测准确度。
而深度学习模型能够自动提取数据中的特征，无需人工干预，这不仅降低了模型的开发成本，还提高了模型的鲁棒性和泛化能力。
这使得深度学习模型在大气科学研究中有着更广泛的应用前景。
在模型训练方面，基于深度LSTM神经网络的大气可降水量估算模型需要采用大规模并行计算技术，利用GPU等高性能计算设备进行训练。
由于深度学习模型具有复杂的网络结构和大量的参数，传统的计算设备往往无法满足模型训练的需求。
需要利用并行计算技术，同时对多个计算单元进行计算，提高计算效率，加快模型训练的速度。
Ｊｏｕｒｎａｌ ｏｆ Ｍａｔｈｅｍａｔｉｃｓ ａｎｄ Ｓｙｓｔｅｍ Ｓｃｉｅｎｃｅ ５（２０ １ ５）２０７－２ １ ３ ｄｏｉ：ｌ０．１７２６５／２１ ５９—５２９１／２０１ ５．０５．００５
Ｃｌｉｍａｔｅ Ｐｒｅｃｉｐｉｔａｔｉｏｎ Ｐｒｅｄｉｃｔｉｏｎ ｂｙ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ Ｊｕｌｉａｎａ Ａｐａｒｅｃｉｄａ Ａｎｏｃｈｉ ，Ｈａｒｏｌｄｏ Ｆｒａｇａ ｄｅ Ｃａｍｐｏｓ Ｖｅｌｈｏ ｊ．Ａｐｐｌｉｅｄ Ｃｏｍｐｕｔｉｎｇ Ｇｒａｄｕａｔｅ Ｐｒｏｇｒａｍ．Ｎａｔｉｏｎａｌ Ｉｎｓｔｉｔｕｔｅｆｏｒ Ｓｐａｃｅ Ｒｅｓｅａｒｃｈ（１ＮＰＥ）．Ｂｒａｚｉｌ． ２．Ａｓｓｏｃｉａｔｅｄ Ｌａｂｏｒａｔｏｒｙｆｏｒ Ｃｏｍｐｕｔｉｎｇ ａｎｄ Ａｐｐｌｉｅｄ Ｍａｔｈｅｍａｔｉｃｓ，Ｎａｔｉｏｎａｌ ｌｎｓｔｉｔｕｔｅｆｏｒ Ｓｐａｃｅ Ｒｅｓｅａｒｃｈ（ＩＮＰＥ）
Ｒｅｃｅｉｖｅｄ：Ｄｅｃｅｍｂｅｒ ０８，２０１４／Ａｃｃｅｐｔｅｄ：Ｊａｎｕａｒｙ １０，２０１５／Ｐｕｂｌｉｓｈｅｄ：Ｍａｙ ２５，２０１５ Ａｂｓｔｒａｃｔ：Ｉｎ ｔｈｉｓ ｗｏｒｋ ａ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｍｏｄｅｌ ｆｏｒ ｃｌｉｍａｔｅ ｆｏｒｅｃａｓｔｉｎｇ ｉｓ ｐｒｅｓｅｎｔｅｄ．Ｔｈｅ ｍｏｄｅｌ ｉｓ ｂｕｉｌｔ ｂｙ ｔｒａｉｎｉｎｇ ａ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｗｉｔｈ ａｖａｉｌａｂｌｅ ｒｅａｎａｌｙｓｉｓ ｄａｔａ．Ｉｎ ｏｒｄｅｒ ｔｏ ａｓｓｅｓｓ ｔｈｅ ｍｏｄｅｌ，ｔｈｅ ｄｅｖｅｌｏｐｍｅｎｔ ｍｅｔｈｏｄｏｌｏｇｙ ｃｏｎｓｉｄｅｒｓ ｔｈｅ ｕｓｅ ｏｆ ｄａｔａ ｒｅｄｕｃｔｉｏｎ ｓｔｒａｔｅｇｉｅｓ ｔｈａｔ ｅｌｉｍｉｎａｔｅ ｄａｔａ ｒｅｄｕｎｄａｎｃｙ ｔｈｕｓ ｒｅｄｕｃｉｎｇ ｔｈｅ ｃｏｍｐｌｅｘｉｔｙ ｏｆ ｔｈｅ ｍｏｄｅｌｓ．Ｔｈｅ ｒｅｓｕｌｔｓ ｐｒｅｓｅｎｔｅｄ ｉｎ ｔｈｉｓ ｐａｐｅｒ ｃｏｎｓｉｄｅｒｅｄ ｔｈｅ ｕｓｅ ｏｆ Ｒｏｕｇｈ Ｓｅｔｓ Ｔｈｅｏｒｙ ｐｒｉｎｃｉｐｌｅｓ ｉｎ ｅｘｔｒａｃｔｉｎｇ ｒｅｌｅｖａｎｔ ｉｎｆｏｒｍａｔｉｏｎ ｆｒｏｍ ｔｈｅ ａｖａｉｌａｂｌｅ ｄａｔａ ｔｏ ａｃｈｉｅｖｅ ｔｈｅ ｒｅｄｕｃｔｉｏｎ ｏｆ ｒｅｄｕｎｄａｎｃｙ ａｍｏｎｇ ｔｈｅ ｖａｒｉａｂｌｅｓ ｕｓｅｄ ｆｏｒ ｆｏｒｅｃａｓｔｉｎｇ ｐｕｒｐｏｓｅｓ．Ｔｈｅ ｐａｐｅｒ ｐｒｅｓｅｎｔｓ ｒｅｓｕｌｔｓ ｏｆ ｃｌｉｍａｔｅ ｐｒｅｄｉｃｔｉｏｎ ｍａｄｅ ｗｉｔｈ ｔｈｅ ｕｓｅ ｏｆ ｔｈｅ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｂａｓｅｄ ｍｏｄｅ１．Ｔｈｅ ｒｅｓｕｌｔｓ ｏｂｔａｉｎｅｄ ｉｎ ｔｈｅ ｃｏｎｄｕｃｔｅｄ ｅｘｐｅｒｉｍｅｎｔｓ ｓｈｏｗ ｔｈｅ ｅｆｆｅｃｔｉｖｅｎｅｓｓ ｏｆ ｔｈｅ ｍｅｔｈｏｄｏｌｏｇｙ， ｐｒｅｓｅｎｔｉｎｇ ｅｓｔｉｍａｔｅｓ ｓｉｍｉｌａｒ ｔｏ ｏｂｓｅｒｖａｔｉｏｎｓ．
Ｋｅｙ ｗｏｒｄｓ：Ｃｌｉｍａｔｅ Ｐｒｅｄｉｃｔｉｏｎ，Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ，Ｒｏｕｇｈ Ｓｅｔｓ Ｔｈｅｏｒｙ
１．ＩｎｔｒＯｄｕｃｔｉＯｎ Ｔｈｅ ｄｅｖｅｌｏｐｍｅｎｔ ｏｆ ｒｅｇｉｏｎａｌ ｃｌｉｍａｔｅ ｍｏｄｅｌｓ ｆｒｏｍ ｄａｔａ ｃｏｎｓｉｄｅｒｓ ｔｈｅ ｈｙｐｏｔｈｅｓｉｓ ｔｈａｔ ｉｔ ｉｓ ｐｏｓｓｉｂｌｅ ｔｏ ｅｘｔｒａｃｔ ｉｎｆｏｒｍａｔｉｏｎ ｆｒｏｍ ｈｉｓｔｏｒｉｃａｌ ｄａｔａ ｏｎ ｔｈｅ ｂｅｈａｖｉｏｒ ｏｆ ｃｌｉｍａｔｉｃ ｃｏｎｄｉｔｉｏｎｓ． Ａｃｃｏｒｄｉｎｇｌｙ， ｄｅｖｅｌｏｐｍｅｎｔ ｍｅｔｈｏｄｏｌｏｇｙ ｎｅｅｄｓ ｔｏ ｈａｖｅ ａ ｌａｒｇｅ ｎｕｍｂｅｒ ｏｆ ｄａｔａ ｔｏ ｅｎｓｕｒｅ ｔｈａｔ ｔｈｅ ｍｏｄｅｌ ｃｏｎｓｉｄｅｒｓ ａ ｗｉｄｅ ｒａｎｇｅ ｏｆ ｓｉｔｕａｔｉｏｎｓ．Ｈｏｗｅｖｅｒ，ｄｅｓｐｉｔｅ ａｂｌｅ ｔｏ ｅｎｓｕｒｅ，ｉｎ ｐｒｉｎｃｉｐｌｅ，ｇｒｅａｔｅｒ ｒｏｂｕｓｔｎｅｓｓ ｔｏ ｔｈｅ ｄｅｒｉｖｅｄ ｍｏｄｅｌｓ，ｔｈｅ ｈａｎｄｌｉｎｇ ｏｆ ｌａｒｇｅ ｖｏｌｕｍｅｓ ｏｆ ｄａｔａ ｍａｙ ｒｅｑｕｉｒｅ ｍｕｃｈ ｃｏｍｐｕｔａｔｉｏｎａ１．Ｔｈｉｓ ｐｒｏｂｌｅｍ ｉｓ ｅｖｅｎ ｍｏｒｅ ｃｏｍｐｌｉｃａｔｅｄ ｗｈｅｎ ｄｅａｌｉｎｇ ｗｉｔｈ ｗｅａｔｈｅｒ ｆｏｒｅｃａｓｔｉｎｇ ｔａｓｋｓ ｔｈａｔ ｒｅｑｕｉｒｅ ｈｉｇｈｅｒ ａｃｃｕｒａｃｙ ｏｎｃｅ ｉｔ ｄｅａｌｓ ｄｉｒｅｃｔｌｙ ｗｉｔｈ ｅｖｅｒｙ－ｄａｙ ｌｉｆｅ ｏｆ ｔｈｅ ｐｏｐｕｌａｔｉｏｎ． Ｉｎ ｏｒｄｅｒ ｔｏ ｃｏｐｅ ｗｉｔｈ ｔｈｅ ｄｅｍａｎｄ ｆｏｒ ｃｏｍｐｕｔｉｎｇ ｐｅｒｆｏｒｍａｎｃｅ， ｉｔ ｉｓ ｎｅｃｅｓｓａｒｙ ｔｏ ａｓｓｅｍｂｌｅ ｓｕｐｅｒｃｏｍｐｕｔｅｒｓ ｏｒ ｃｌｕｓｔｅｒｓ ｏｆ ｐｏｗｅｒｆｕｌ ｃｏｍｐｕｔｅｒｓ ｔｈａｔ ｍａｙ ｗｏｒｋ ｔｏｇｅｔｈｅｒ ｔｏ ｐｒｏｄｕｃｅ ｎｕｍｅｒｉｃａｌ ｒｅｓｕｌｔｓ ｔｈａｔ ａｒｅ ｉｎｐｕｔｓ ｆｏｒ ｆｏｒｅｃａｓｔｉｎｇ ｔａｓｋｓ．Ｎｅｖｅｒｔｈｅｌｅｓｓ，ｉｔ ｉｓ ｎｏｔ ｏｎｌｙ ｔｈｅ ｃｏｍｐｕｔｉｎｇ ｐｏｗｅｒ ｔｈａｔ ｃｏｕｎｔｓ ｉｎ ａ ｃｌｉｍａｔｅ ｆｏｒｅｃａｓｔｉｎｇ ｔａｓｋ．Ｉｎ ｔｈｅｓｅ ｒｅｇａｒｄｓ，ｉｔ ｗｏｕｌｄ ｂｅ ｖｅｒｙ
ＣＯｒｒｅｓｐ０ｎｄｉｎｇ ａｕｔｈｏｒ：Ｊｕｌｉａｎａ Ａｐａｒｅｃｉｄａ Ａｎｏｃｈｉ，Ａｐｐｌｉｅｄ Ｃｏｍｐｕｔｉｎｇ Ｇｒａｄｕａｔｅ Ｐｒｏｇｒａｍ，Ｎａｔｉｏｎａｌ Ｉｎｓｔｉｔｕｔｅ ｆｏｒ Ｓｐａｃｅ Ｒｅｓｅａｒｃｈ（ＩＮＰＥ），Ｂｒａｚｉｌ．Ｅ—ｍａｉｌ：ｊｕｌｉａｎａ．ａｎｏｃｈｉ＠ｇｍａｉｌ．ｃｏｍ．
ｐｒｏｆｉｔａｂｌｅ ｉｆ ｃｏｍｐｕｔａｔｉｏｎａｌ ｍｏｄｅｌｓ ｗｅｒｅ ｃｏｎｓｔｒｕｃｔｅｄ ｂａｓｅｄ ｏｎ ｔｈｅ ｅｘｉｓｔｉｎｇ ｋｎｏｗｌｅｄｇｅ．Ｔｈｉｓ ｗｏｕｌｄ ｐｅｒｍｉｔ ｆｏｒｅｃａｓｔｅｒｓ ｔｏ ｒｕｎ ｔｈｅ ｃｌｉｍａｔｅ ｍｏｄｅ１ ｆｏｒ ａ ｓｅｖｅｒａ１ ｄｉｆｆｅｒｅｎｔ ｉｎｉｔｉａｌ ｃｏｎｄｉｔｉｏｎｓ ｔｈｕｓ ｌｅａｄｉｎｇ ｔｏ ａ ｖａｒｉｅｔｙ ｏｆ ｄｉｆｆｅｒｅｎｔ ｓｃｅｎａｒｉｏｓ ｔｏ ｂｅ ａｎａｌｙｚｅｄ ｔｏ ｓｕｐｐｏｒｔ ｔｈｅｉｒ ｄｅｃｉｓｉｏｎ ｏｎ ｔｈｅ ｐｒｅｄｉｃｔｉｏｎ ｏｆ ｔｈｅ ｓｔａｔｅ ｏｆ ｔｈｅ ａｔｍｏｓｐｈｅｒｅ．Ｉｎ ｏｒｄｅｒ ｔｏ ａｃｈｉｅｖｅ ａ ｃｏｍｐｕｔａｔｉｏｎａｌ ｍｏｄｅ１ ｔｈａｔ ｍａｙ ｓａｔｉｓｆｙ ｔｈｅ ｓｔａｔｅｄ ｃｏｎｄｉｔｉｏｎｓ，ｗｅ ｐｒｏｐｏｓｅｄ ｔｈｅ ｕｓｅ ｏｆ ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ ｔｏ ｂｅ ｔｒａｉｎｅｄ ｗｉｔｈ ｅｘｉｓｔｉｎｇ ｃｌｉｍａｔｅ ｄａｔａ． Ｉｎ ｔｈｉｓ ｐａｐｅｒ ｃｏｎｓｉｄｅｒｅｄ ｔｈｅ ｕｓｅ ｏｆ Ｒｏｕｇｈ Ｓｅｔｓ Ｔｈｅｏｒｙ ｐｒｉｎｃｉｐｌｅｓ ｉｎ ｅｘｔｒａｃｔｉｎｇ ｒｅｌｅｖａｎｔ ｉｎｆｏｒｍａｔｉｏｎ ｆｒｏｍ ｔｈｅ ａｖａｉｌａｂｌｅ ｄａｔａ ｔｏ ａｃｈｉｅｖｅ ｔｈｅ ｒｅｄｕｃｔｉｏｎ ａｍｏｎｇ ｔｈｅ ｖａｒｉａｂｌｅｓ ｕｓｅｄ ｆｏｒ ｆｏｒｅｃａｓｔｉｎｇ ｐｕｒｐｏｓｅｓ． Ｔｈｅ ｄａｔａ ｒｅｄｕｃｔｉｏｎ ａｐｐｒｏａｃｈ ａｌｌｏｗｓ ｔｈｅ ｄｅｒｉｖａｔｉｏｎ ｏｆ ｓｍａｌｌｅｒ ｄａｔａ ｓｅｔｓ ｆｒｏｍ ｔｈｅ ｒｅｓｕｌｔｉｎｇ ｒｅｄｕｃｔｓ ｆｏｒ ｔｈｅ ｔｒａｉｎｉｎｇ ｐｈａｓｅ ｏｆ ｔｈｅ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｗｉｔｈｏｕｔ ｌｏｓｉｎｇ ｄａｔａ ｅｘｐｒｅｓｓｉｖｅｎｅｓｓ ｆｏｒ ｆｏｒｅｃａｓｔｉｎｇ ｐｕｒｐｏｓｅｓ Ｔｈｅ ａｄｖａｎｔａｇｅ ｏｆ ｔｈｅ ｍｅｔｈｏｄｏｌｏｇｙ ｐｒｅｓｅｎｔｅｄ ｉｎ ｔｈｉｓ ｐａｐｅｒ ｉｓ ｔｈｅ ｐｏｓｓｉｂｉｌｉｔｙ ｔｏ ｄｅｒｉｖｅ ｃｌｉｍａｔｅ ｆｏｒｅｃａｓｔｉｎｇ ｍｏｄｅｌｓ ｆｒｏｍ ｓｉｍｐｌｉｆｉｅｄ ｄａｔａ ｓｅｔｓ ｇａｔｈｅｒ ｆｒｏｍ ｏｂｓｅｒｖａｔｉｏｎｓ ａｎｄ ｔｏ ｈａｖｅ ａ ｍｅａｎｓ ｔｏ ｍａｋｅ ｐｒｅｄｉｃｔｉｏｎ ｕｓｉｎｇ ｓｉｍｐｌｉｆｉｅｄ ｎｏｎ—ｃｏｍｐｌｅｘ ｃｏｍｐｕｔａｔｉｏｎａｌ ｍｏｄｅｌｓ ｂａｓｅｄ ｏｎ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ．Ａｎ ａｄｄｉｔｉｏｎａ１ ａｄｖａｎｔａｇｅ ｏｆ ２０８ Ｃｌｉｍａｔｅ Ｐｒｅｃｉｐｉｔａｔｉｏｎ Ｐｒｅｄｉｃｔｉｏｎ ｂｙ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ ｔｈｅ ａｐｐｒｏａｃｈ ｉｓ ｔｈｅ ｐｏｓｓｉｂｉｌｉｔｙ ｔｏ ｄｅｒｉｖｅ ａ ｍｏｄｅｌ ｗｉｔｈｏｕｔ ａ ｎｅｅｄ ｆｏｒ ｄｅｅｐ ｕｎｄｅｒｓｔａｎｄｉｎｇ ｏｆ ｔｈｅ ｐｈｙｓｉｃｓ ｒｅｌａｔｅｄ ｔｏ ａｔｍｏｓｐｈｅｒｅ ｐｒｏｃｅｓｓｅｓ． Ａｒｔｉｆｉｃｉａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ（ＡＮＮ）ｈａｖｅ ｅｍｅｒｇｅｄ ａｓ ｅｘｃｅｌｌｅｎｔ ｔｏｏｌｓ ｆｏｒ ｄｅｒｉｖｉｎｇ ｄａｔａ ｏｒｉｅｎｔｅｄ ｍｏｄｅｌｓ ｂｅｃａｕｓｅ ｏｆ ｔｈｅｉｒ ｉｎｈｅｒｅｎｔ ｃｈａｒａｃｔｅｒｉｓｔｉｃ ｏｆ ｐｌａｓｔｉｃｉｔｙ ｔｈａｔ ｐｅｒｍｉｔｓ ｔｈｅ ａｄａｐｔａｔｉｏｎ ｏｆ ｔｈｅ ｌｅａｒｎｉｎｇ ｔａｓｋ ｗｈｅｎ ｄａｔａ ｉｓ ｐｒｏｖｉｄｅｄ．Ｉｎ ｔｈｉｓ ｒｅｇａｒｄｓ，ｔｈｅ ｕｓｅ ｏｆ ａｎ ＡＮＮ ｉｓ ａｄｅｑｕａｔｅ ｔｏ ｄｅｒｉｖｅ ｔｈｅ ｆｏｒｅｃａｓｔｉｎｇ ｍｏｄｅｌ ｐｒｏｐｏｓｅｄ ｉｎ ｔｈｉｓ ｐａｐｅｒ．Ｆｏｒ ｔｈｅ ｐｒｏｂｌｅｍ ｏｆ ｂｕｉｌｄｉｎｇ ｐｒｅｄｉｃｔｉｏｎ ｍｏｄｅｌｓ，ａｓ ｐｒｏｐｏｓｅｄ ｉｎ ｔｈｉｓ ｐａｐｅｒ，ａｒｅ ｕｓｅｄ Ｍｕｌｔｉｌａｙｅｒ Ｐｅｒｃｅｐｔｒｏｎ ａｎｄ ｍｏｄｅｌｓ ｏｆ ｒｅｃｕｒｒｅｎｔ Ｅｌｍａｎ ａｎｄ Ｊｏｒｄａｎ ［２】．
２．Ｒｏｕｇｈ Ｓｅｔｓ Ｔｈｅｏｒｙ Ｒｏｕｇｈ Ｓｅｔｓ Ｔｈｅｏｒｙ（ＲＳＴ）ｗａｓ ｐｒｏｐｏｓｅｄ ｉｎ １ ９８２ ｂｙ Ｚｄｚｉｓｌａｗ Ｐａｗｌａｋ ａｓ ａ ｍａｔｈｅｍａｔｉｃａｌ ｔｈｅｏｒｙ ｔｏ ｔｒｅａｔ ｕｎｃｅｒｔａｉｎ ａｎｄ ｉｍｐｒｅｃｉｓｅ ｉｎｆｏｒｍａｔｉｏｎ，ｂｙ ｄｅｒｉｖｉｎｇ ａｐｐｒｏｘｉｍａｔｉｏｎｓ ｏｆ ａ ｄａｔａ ｓｅｔ［７］．Ｔｈｅ ＲＳＴ ｉｓ ｂａｓｅｄ ｏｎ ｔｈｅ ｓｉｍｉｌａｒｉｔｉｅｓ ａｍｏｎｇ ｏｂｊｅｃｔｓ ｍｅａｓｕｒｅｄ ｂｙ ａｎ ｉｎｄｉｓｃｅｒｎｉｂｉｌｉｔｙ ｒｅｌａｔｉｏｎ，ｗｈｉｃｈ ｅｓｔａｂｌｉｓｈ ｔｈａｔ ａ ｓｅｔ ｏｆ ｏｂｊｅｃｔｓ ａｒｅ ｓｉｍｉｌａｒ（ｉｎｄｉｓｃｅｒｎｉｂｌｅ）ｉｆ ｔｈｅｙ ｈｏｌｄ ｔｈｅ ｓａｍｅ ｖａｌｕｅｓ ｆｏｒ ａｌｌ ｏｆ ｔｈｅｉｒ ａｔｔｒｉｂｕｔｅｓ．Ｒｏｕｇｈ ｓｅｔｓ ｈａｖｅ ｂｅｅｎ ｐｒｏｐｏｓｅｄ ｆｏｒ ａ ｖｅｒｙ ｗｉｄｅ ｖａｒｉｅｔｙ ｏｆ ａｐｐｌｉｃａｔｉｏｎｓ．
