基于長短期記憶網絡模型的大理氣候預測

袁錦誠，李忠木

（大理大學天文研究所，云南大理 671003）

人類活動等因素使海洋、陸地和大氣變暖，并在地球各個領域造成了不可逆轉的影響。極端氣候使得世界各地發生了許多自然災害，這些災害的影響越來越強烈和持久。聯合國政府間氣候變化專門委員會發布的最新報告顯示，氣候變化將對中國的各個方面產生嚴重影響。如何應對不斷變化的氣候已經成為人類需要面對的重要問題〔1〕。大理白族自治州（以下簡稱“大理”）位于云南省中部偏西，擁有美麗的自然景觀以及多種保護動植物，是云南重要的糧食產地，也是滇西重要的交通樞紐〔2-4〕。對大理進行氣候預測能夠有效應對極端氣候造成的災害，例如能夠促進大理的自然環境與瀕危野生動物的保護，提前部署救援力量從而減少極端氣候給人民生命財產、國家經濟造成的損失。進行氣候預測最重要的是對氣候因子進行預測，因此本研究選取了最為重要的4 個氣候因子進行預測〔5〕。

隨著氣候觀測技術的不斷發展〔6〕，人們可以獲得越來越多的氣候數據。由于氣候數據具有時空性、多樣性、周期性等特征，雖然氣候數據的量不斷增長，但是使用傳統統計方法對氣候進行預測的準確性并未得到大幅的提升，機器學習有望在這個方面提供幫助。機器學習是一個經驗過程，通過對數據集進行不斷的學習，從而總結出數據規律〔7〕。數據量越多，總結出的數據規律越準確，在處理長時間序列的氣候數據時更適用〔8〕。因此，本文使用機器學習對大理的氣候進行預測。機器學習是近年來的研究熱點〔9〕，被應用于各種領域，例如數據挖掘〔10〕、計算機視覺〔11〕、氣候分析〔12〕等。目前機器學習有幾種主流的算法：線性回歸、決策樹算法、樸素貝葉斯、支持向量機（support vector machine，SVM）、最近鄰算法（K-nearest neighbor，KNN）、循環神經網絡（recurrent neural network，RNN）、長短期記憶網絡（long short-term memory network，LSTM）等〔13〕。LSTM 是一種優秀的循環神經網絡結構，它的出現是為了解決傳統RNN 的性能不足〔14-15〕。傳統的RNN 在處理一些問題時會遇到困難，后面時間的節點會出現遺忘，這使得RNN 在很長一段時間內都缺乏關注。于1997 年首次被提出的LSTM 可以有效彌補RNN 的缺點〔16〕。LSTM 具有“記憶性”，可以長期保存信息，連接不同時間點，擅長處理含有多個變量的問題，可以更好地對時序數據進行預測。因此，很多研究都采用LSTM 代替RNN 進行氣候預測。比較典型的例子有：杜麗霞〔17〕使用LSTM模型對澳大利亞山火的發生時間進行了預測；羅德楊等〔18〕搭建LSTM 模型開展全球平均表面溫度年際信號預測研究；孫際鈺〔19〕基于LSTM 對海表溫度進行預報；李艷玲等〔20〕基于驅動分析的LSTM 建立了干旱預測模型；沈皓俊等〔21〕基于LSTM 對中國夏季降水進行了預測研究。大理的氣候數據作為典型的時序數據，選取在處理時間序列預測問題上擁有明顯優勢的LSTM 算法〔22〕構建模型對大理的氣候進行預測，能夠獲得較佳的預測效果。此前的研究大多只預測了單一的氣候因子〔21〕，往往不足以滿足社會的需求，因此本研究對大理的溫度、降水、濕度、日照時數4 個氣候因子進行全面預測，結果有助于更好地掌握大理的氣候變化規律，提前應對極端氣候災害，為建立大理的氣候模型提供參考。

1 研究區與數據集

1.1 研究區選取大理作為研究區域，它位于東經98°52′～101°03′，北緯24°41′～26°42′之間，是云南省主要行政區之一。該地區地處低緯高原，以季風氣候為主，有蒼山、洱海等世界著名的自然景觀，動植物、有色金屬等自然資源十分豐富。

1.2 數據集本研究選用中國地面氣候資料日值數據集（V 3.0）〔23〕，數據來源于國家氣象信息中心，起始時間為1951 年1 月，截止時間為2021 年5月。溫度、降水、濕度、日照時數是進行氣候分析預測的主要因子〔24〕，因此選取這4 個因子作為研究對象。使用異常數值前一日的數據對異常數值進行替換，在消除異常值的同時降低了誤差。氣候的定義是在氣候系統和太陽輻射的互相作用下，地球上某一區域在某一特定時段內天氣的平均狀況及其極端情形〔25〕。為了得到更多數據量的同時不掩蓋氣候的變化規律，選取10 d 平均氣候數據進行預測。本研究分別對10 d 平均溫度、10 d 平均降水、10 d 平均濕度、10 d 平均日照時數進行預測，見圖1～4。每個氣候因子有2 575 條氣候數據，本研究將訓練集和測試集按80%和20%的比例進行劃分〔26〕。

圖1 10 d 平均溫度圖

圖2 10 d 平均降水圖

圖3 10 d 平均濕度圖

圖4 10 d 平均日照時數圖

2 方法

2.1 時間序列與Keras 框架

2.1.1 時間序列 符合時間序列的數據是按照特定的時間間隔分布的，比如，海平面每小時的溫度變化。對符合時間序列的數據進行預測，最重要的是找到數據的變化規律。大理10 d 平均氣候數據符合時間序列，具有隨時間呈周期性變化的特征，并且很難確定各氣候因子之間的關系，因此采用對預測時間序列具有明顯優勢的LSTM 算法對大理的氣候進行預測。

2.1.2 Keras 框架 選擇使用Keras 框架搭建實驗模型。Keras 框架具有設計簡單、運行快速、模塊化程度高的優勢，支持RNN、LSTM。Keras 框架可以搭建序貫模型和函數式模型，序貫模型只有單個輸入與輸出，層與層之間只有相鄰的關系，不能跨越階層連接，操作不復雜，具有較快的計算速度；函數式模型具有多個輸入與輸出，層與層之間可以隨意連接，具有較慢的運行速度。選擇使用Keras 框架搭建LSTM 序貫模型對氣候進行預測，這樣可以快速得到大理的氣候預測結果。

2.2 LSTM 模型從獲取的原始數據可知，大理的氣候數據具有以1 年為周期的變化規律。使用LSTM 模型對氣候數據進行時序預測可以得到較為準確的預測結果，掌握氣候的變化規律。本節對LSTM 的基礎知識進行簡短討論，構建LSTM 預測模型。

LSTM 能夠在一些專門設計的記憶單元或門中保持其狀態信息〔27〕，并對存儲在遺忘門中的歷史狀態與當前狀態信息進行聚合操作，以計算未來的狀態信息，以及在輸入門接收當前時隙可用的信息，使用遺忘門和輸入門的聚合結果，預測下一輪目標變量的值，預測值在輸出門處可用。

遺忘門fn可以表示為：

輸入門in可以表示為：

輸出門on可以表示為：

當前單元狀態：

當前單元輸出：

其中Xn，Yn表示1 次的輸入和輸出，Cn表示當前單元狀態，U、W 代表的是權重，b 為偏置項，δ 代表了激活函數，在3 個門上都有作用，值在0～1，0 為全部信息不能通過，1 為全部信息通過。tanh 函數在狀態和輸出中被使用。

圖5 為LSTM 的結構圖，從圖中可以看出有4層神經網絡層作為重復模塊，并且層與層之間相互作用。LSTM 的關鍵在于重復模塊的狀態和穿過重復模塊的鏈。當數據在完整的鏈上運行時，線性交互較少，鏈上的信息進行傳輸與保持不變比較簡單。為了對大理氣候進行預測，構建并調整了LSTM 模型，第一步需要對數據進行預處理，其中包括將數據集進行歸一化處理，變為有監督問題，使其能夠通過前一個時刻的氣候數據從而預測出當前時刻的氣候數據。

圖5 LSTM 神經網絡結構

采用雙層LSTM 模型，第一層LSTM 隱藏層有64 個神經元，第二層LSTM 隱藏層有32 個神經元，輸入的變量為1 個時間步，損失函數使用mean absolute error（MAE），激活函數使用relu，優化算法采用Adam，模型采用了50 個epochs 并且每個batch 的大小為256。最后，在fit（）函數中設置validation_data 參數，記錄訓練集和測試集的損失，在完成訓練和測試后得到模型的預測結果以及預測每個氣候因子的誤差評估指標，本研究所采用的誤差評估指標為均方根誤差（root mean square error，RMSE）以及平均絕對百分比誤差（mean absolute percentage error，MAPE）：

3 結果與分析

運用LSTM 模型對大理2016 年6 月至2021年5 月的溫度、降水、濕度、日照時數進行預測并與真實值進行了對比，結果見圖6～9。圖中橫坐標代表日期，縱坐標代表氣候數值，實線代表原始的氣候數據，虛線代表構建模型預測得到的氣候數據。

圖6 溫度預測結果圖

圖7 降水預測結果圖

圖8 濕度預測結果圖

圖9 日照時數預測結果圖

使用構建模型對4 個氣候因子進行預測，得到的誤差以及驗證損失（test loss）見表1。為了評估其準確性，通過傳統的RNN 模型進行了對比，表1 給出了使用傳統RNN 模型預測得到的誤差以及驗證損失。對比表1 中的LSTM 模型與RNN 模型的RMSE、MAPE 以及驗證損失可知，LSTM 模型在預測溫度、降水、濕度、日照時數這4 個氣候因子時，均比傳統RNN 模型有更低的RMSE、MAPE 以及驗證損失。因此，使用構建的LSTM 模型對大理氣候進行預測得到的結果優于傳統的RNN 模型的預測結果。

表1 使用LSTM 模型、RNN 模型得到的誤差以及驗證損失

本文主要研究了具有時序數據處理優勢的兩種機器學習模型，為了了解LSTM 模型與其他典型模型的性能差異，還采用SVM 模型、KNN 模型對大理的4 個氣候因子進行了預測，得到的預測誤差見表2。

表2 使用SVM 模型、KNN 模型得到的誤差

LSTM 模型的RMSE、MAPE 均低于SVM 模型。僅在預測降水時LSTM 模型的MAPE 高于KNN 模型，RMSE 仍低于KNN 模型。計算MAPE 時需要排除為0 的原始數據，使MAPE 不能準確地反映模型整體的預測精度。在大理的4 個氣候因子中，只有降水量存在著為0 的情況，預測降水得到的RMSE代表著對非0 的降水量預測得到的誤差。LSTM 模型在對非0 的降水數據進行預測時，得到的誤差大于KNN 模型；LSTM 模型對全部的降水數據進行預測時，得到的誤差小于KNN 模型。實驗結果證明，LSTM 模型的預測更為準確。

為了檢驗模型的可靠性和實用性，用美國國家海洋和大氣管理局（NOAA）〔28〕收集的大理2020 年至2022 年6 月溫度數據來驗證所構建的LSTM 模型。通過模型預測得到的2020 年至2022 年6 月的溫度數據與NOAA 提供的2020 至2022 年6 月的溫度數據對比見圖10。圖10 中2020 年之后的預測數據均為模型輸出的預測值（虛線），實線為NOAA提供的溫度數據。用模型預測值對觀測值進行擬合，得到的驗證損失為0.068 ℃，RMSE 為1.690 ℃，MAPE 為0.097 ℃，擬合結果誤差很小。因此，構建的模型能夠對大理的氣候進行較為準確的預測，具有良好的實用性。

圖10 使用NOAA 2020 年至2022 年6 月溫度數據驗證結果

4 結論

本文基于Keras 框架搭建了LSTM 模型對大理的氣候進行預測，得到了大理2016 年6 月至2021年5 月的溫度、降水、濕度、日照時數的預測結果。結果顯示，LSTM 模型預測的大理氣候變化趨勢與真實氣候變化趨勢基本一致，RMSE 分別為1.544℃、2.720 mm、6.521% rh、1.990 h，MAPE 分別為0.087℃、4.025 mm、0.085% rh、0.462 h。實驗結果表明，構建的模型對大理的溫度、濕度的預測結果較為準確。同時發現，對降水、日照時數的預測誤差較大，其原因在于觀測數值波動大、極端數值較多。模型預測10 d 平均降水的RMSE 為2.720 mm，對預測極端降水影響較小。預測10 d 平均日照時數的RMSE 是1.990 h，MAPE 為0.462 h，預測值與真實值之間存在一定的差距，但仍低于使用傳統RNN模型預測日照時數的RMSE 2.392 h 和MAPE 0.491 h。因此構建的模型可以更好地用于預測降水、日照時數，但仍有一定的優化空間。本文主要研究了具有時序數據處理優勢的兩種機器學習模型，為了了解LSTM 模型與其他典型模型的性能差異，還采用SVM 模型以及KNN 模型對大理的氣候因子進行了預測，實驗結果證明，其預測的準確性明顯差于LSTM 模型。因此，LSTM 是4 種模型中最好的。當用NOAA 提供的最近溫度數據對模型進行驗證時，得到的RMSE 為1.690 ℃，MAPE 為0.097 ℃，這表明模型具有很強的可靠性和良好的實用性。構建的LSTM 模型能夠成功預測大理的氣候，能給出較準確的預測結果，這將有助于更好地掌握大理的氣候變化規律，從而有效應對極端氣候災害，并促進大理自然環境與瀕危野生動物保護。