張 軍，吳朋莉，石陸魁，史 進(jìn)，潘 斌

（1.河北工業(yè)大學(xué) 人工智能與數(shù)據(jù)科學(xué)學(xué)院，天津 300401；2.河北省大數(shù)據(jù)計(jì)算重點(diǎn)實(shí)驗(yàn)室（河北工業(yè)大學(xué)），天津 300401；3.南開大學(xué) 統(tǒng)計(jì)與數(shù)據(jù)科學(xué)學(xué)院，天津 300071）

0 引言

溫度是氣候與生態(tài)研究的重要?dú)庀笠?，并且可以評(píng)估多種氣象災(zāi)害［1］。如今，隨著氣象設(shè)備的完善，氣象觀測站點(diǎn)數(shù)量逐漸增加，對(duì)各個(gè)氣象觀測站點(diǎn)間的氣溫資料進(jìn)行聯(lián)合分析有助于改進(jìn)溫度預(yù)測，但是，如何構(gòu)建站點(diǎn)間的聯(lián)系是一個(gè)巨大的挑戰(zhàn)。

目前，溫度的預(yù)測方法主要分為數(shù)值方法和數(shù)據(jù)驅(qū)動(dòng)方法。數(shù)值方法根據(jù)物理?xiàng)l件和過程，利用數(shù)學(xué)模型描述溫度的變化，例如，高峰等［2］利用由北京氣候中心研發(fā)的氣候系統(tǒng)模式BCC-CSM1.1（Beijing Climate Center Climate System Model 1.1）進(jìn)行溫度預(yù)測；數(shù)據(jù)驅(qū)動(dòng)方法則以海量數(shù)據(jù)為基礎(chǔ)，經(jīng)過訓(xùn)練生成最終的模型，例如，支持向量算法［3］、隨機(jī)森林算法［4-5］、決策樹［6］和不同機(jī)器學(xué)習(xí)結(jié)合算法［7-9］已經(jīng)在全球溫度預(yù)測中得到廣泛的應(yīng)用。

最近，基于機(jī)器學(xué)習(xí)和人工智能技術(shù)的數(shù)據(jù)驅(qū)動(dòng)方法在氣象預(yù)測方面表現(xiàn)出巨大潛力，尤其是處理時(shí)間序列的經(jīng)典網(wǎng)絡(luò)——循環(huán)神經(jīng)網(wǎng)絡(luò)也已被應(yīng)用于溫度預(yù)測并且預(yù)測結(jié)果得到了改善。Liu 等［10］分析了多深度海洋溫度變化的時(shí)間依賴性，基于歷史觀測數(shù)據(jù)的時(shí)間依賴性，進(jìn)行參數(shù)矩陣融合，提出一種海洋溫度時(shí)間序列預(yù)測方法；Xiao 等［11］提出長短記憶與自適應(yīng)提升集成網(wǎng)絡(luò)LSTM-AdaBoost（Long Short-Term Memory and AdaBoost），利用自適應(yīng)提升算法預(yù)測能力強(qiáng)、不易過擬合的特點(diǎn)，將它與長短期記憶（Long Short-Term Memory，LSTM）網(wǎng)絡(luò)結(jié)合進(jìn)行溫度預(yù)測；Jia 等［12］構(gòu)建基于卷積和LSTM 的深度學(xué)習(xí)預(yù)測網(wǎng)絡(luò)，以預(yù)測下一個(gè)觀測日期的地表溫度空間分布；Zhang 等［13］提出一個(gè)多層卷積LSTM 模型來預(yù)測海洋溫度；Karevan 等［14］在天氣預(yù)報(bào)應(yīng)用中部署了堆疊LSTM 模型；NEC 實(shí)驗(yàn)室［15］提出基于兩階段注意機(jī)制的遞歸神經(jīng)網(wǎng)絡(luò)，使溫度預(yù)測有效且易于解釋；Mtibaa 等［16］利用LSTM，使用序列到序列方法直接多步預(yù)測溫度。鑒于循環(huán)神經(jīng)網(wǎng)絡(luò)能有效處理溫度時(shí)間序列，本文使用LSTM 與門控循環(huán)單元（Gated Recurrent Unit，GRU）構(gòu)建溫度時(shí)序關(guān)系。

然而，在多站點(diǎn)溫度預(yù)測中，不僅需要對(duì)時(shí)間關(guān)系建模還需要分析空間關(guān)系。學(xué)者通常利用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）處理空間關(guān)系［17-19］。但是CNN 不適合處理離散的氣象觀測站點(diǎn)間關(guān)系，而適用于提取圖像的語義信息。最近，在其他研究領(lǐng)域中，有許多學(xué)者通過圖神經(jīng)網(wǎng)絡(luò)（Graph Neural Network，GNN）建立實(shí)體之間的聯(lián)系［20-25］，其中，動(dòng)態(tài)神經(jīng)關(guān)聯(lián)推測模型進(jìn)行了人體關(guān)節(jié)的軌跡預(yù)測，它在每個(gè)時(shí)間點(diǎn)推理顯式實(shí)體交互關(guān)系并使用潛在變量表示實(shí)體的關(guān)系強(qiáng)度，最后使用估計(jì)的關(guān)系強(qiáng)度，盡可能準(zhǔn)確地重構(gòu)觀察到的軌跡。受以上研究的啟發(fā)，本文將每個(gè)站點(diǎn)視為一個(gè)實(shí)體并且利用GNN 建模觀測站點(diǎn)間的關(guān)系；此外，由于地面氣象站點(diǎn)的分布比較稀疏且無規(guī)則，站點(diǎn)間的距離對(duì)站點(diǎn)間關(guān)系也會(huì)有影響，因此僅使用站點(diǎn)溫度進(jìn)行溫度預(yù)測會(huì)忽略站點(diǎn)本身位置的差異而產(chǎn)生的影響。而遙感圖像數(shù)據(jù)具有詳細(xì)的地面空間信息的優(yōu)勢，因此本文利用遙感圖像的相鄰像素空間屬性的相似性和相互依賴性，可以縮小由站點(diǎn)分布稀疏而產(chǎn)生的預(yù)測誤差。

本文提出基于聯(lián)合MOD11A1［26］和地面氣象站點(diǎn)數(shù)據(jù)的多站點(diǎn)溫度預(yù)測深度學(xué)習(xí)模型（Deep learning Model for multistation temperature prediction combined with MOD11A1 and surface meteorological stations data，GDM），設(shè)計(jì)了時(shí)空注意力（Spatio-Temporal Attention，TSA）模塊將MOD11A1 數(shù)據(jù)轉(zhuǎn)變?yōu)槎嗵摂M站點(diǎn)數(shù)據(jù)；同時(shí)，GDM 采用編碼解碼結(jié)構(gòu)，提出雙向圖神經(jīng)長短期記憶網(wǎng)絡(luò)（Double Graph neural Long Short-Term Memory，DG-LSTM）編碼模塊，采用雙向的兩層LSTM 對(duì)溫度時(shí)間序列數(shù)據(jù)進(jìn)行編碼，并將GNN 用于多站點(diǎn)關(guān)系編碼，成功地捕捉了多站點(diǎn)溫度時(shí)間序列的空間相關(guān)性；最后應(yīng)用邊-點(diǎn)轉(zhuǎn)換雙向門控循環(huán)網(wǎng)絡(luò)解碼模塊EN-GRU（Edge-Node transform Gated Recurrent Unit）對(duì)編碼的空間關(guān)系解碼，獲得了未來時(shí)間段溫度的雙向的特征。

1 GDM

1.1 GDM整體框架

GDM 通過DG-LSTM、EN-GRU 進(jìn)行編碼、解碼以構(gòu)建溫度預(yù)測模型，如圖1 所示。GDM 通過TSA 模塊將MOD11A1信息轉(zhuǎn)化為與地面氣象觀測站點(diǎn)對(duì)應(yīng)的虛擬站點(diǎn)溫度信息；然后，利用GNN 建模多個(gè)觀測站點(diǎn)以及從MOD11A1 提取的多個(gè)虛擬站點(diǎn)之間的聯(lián)系，并使用LSTM 編碼溫度時(shí)間序列變化，GRU 解碼時(shí)間序列。給定N個(gè)站點(diǎn)，T個(gè)時(shí)刻的觀測溫度時(shí)間序列X，以及包含上述N個(gè)站點(diǎn)，T′個(gè)時(shí)刻的MOD11A1 時(shí)間序列數(shù)據(jù)M。遙感數(shù)據(jù)與站點(diǎn)數(shù)存在時(shí)空維度的差異，GDM 采用一個(gè)TSA 模塊將遙感數(shù)據(jù)M構(gòu)造成虛擬的多站點(diǎn)數(shù)據(jù)M1。M1與X擁有一致的時(shí)空分辨率，一同被輸入DG-LSTM 以編碼站點(diǎn)間的關(guān)系特征，隨后，將對(duì)應(yīng)時(shí)刻的關(guān)系特征輸入EN-GRU 以提高多站點(diǎn)溫度預(yù)測的精度。

1.2 TSA模塊

為了使MOD11A1 數(shù)據(jù)M的時(shí)空分辨率與地面氣象站點(diǎn)保持一致，提出TSA 模塊，如圖2 所示。在遙感數(shù)據(jù)時(shí)間序列中，不同時(shí)刻的相同要素之間以及相同時(shí)刻的不同要素之間都緊密關(guān)聯(lián)。M包含所有觀測時(shí)間的全部要素，每個(gè)通道代表區(qū)域內(nèi)某一時(shí)刻的某個(gè)要素。因此，利用通道間的相互依賴性，建立了時(shí)間注意力模塊，將M的時(shí)間分辨率與相同時(shí)刻要素特征和觀測站點(diǎn)保持一致；同時(shí)，在TSA 模塊中使用卷積操作從遙感數(shù)據(jù)中提取豐富的上下文信息，作為與地面觀測站對(duì)應(yīng)的虛擬站點(diǎn)的特征。給定一個(gè)遙感數(shù)據(jù)M∈RC′×H′×W′，C′=T′×E，其中：T′是遙感數(shù)據(jù)觀測時(shí)間長度；E是每個(gè)時(shí)刻的要素?cái)?shù)量；T′×E代表通道數(shù)C′；H′、W′分別是每個(gè)通道圖的高和寬。M首先經(jīng)過三個(gè)卷積層分別提取查詢特征圖MQ、鍵特征圖MK和值特征圖MV，｛MQ，MK，MV｝∈RC×H×W，其中：C=T×N，T是地面觀測站的時(shí)間長度，N是站點(diǎn)數(shù)量，H、W分別是特征圖的高和寬。三個(gè)特征圖被轉(zhuǎn)換為RC×P，其中：P=H×W。將MQ的轉(zhuǎn)置與MK相乘，采用Softmax 層計(jì)算出注意力圖AT∈RC×C，如式（1）所示：

圖2 TSA模塊Fig.2 TSA module

然后，將AT的轉(zhuǎn)置與MV相乘，并將結(jié)果通過一個(gè)線性層轉(zhuǎn)換得到虛擬多站點(diǎn)數(shù)據(jù)M1。

1.3 DG-LSTM模塊

編碼器DG-LSTM 模塊設(shè)置前向與后向LSTM 提取觀測站點(diǎn)與虛擬站點(diǎn)時(shí)間序列的特征。在每個(gè)時(shí)刻，使用GNN依據(jù)提取的特征推理出站點(diǎn)間的交互關(guān)系特征，如圖3 所示。將地面觀測多站點(diǎn)數(shù)據(jù)X與虛擬多站點(diǎn)數(shù)據(jù)M1分別輸入?yún)?shù)共享的前向LSTMf和后向LSTMb，如式（2）所示：

圖3 DG-LSTM模塊Fig.3 DG-LSTM module

其中：hf1、hf2、hb1、hb2分別是觀測站點(diǎn)與虛擬站點(diǎn)前向傳播、觀測站點(diǎn)與虛擬站點(diǎn)后向傳播的隱藏狀態(tài)。將4 個(gè)隱藏狀態(tài)均傳入GNN 以構(gòu)建站點(diǎn)i、j之間在t時(shí)刻的關(guān)系特征：

其中：FC1與FC3是點(diǎn)到邊轉(zhuǎn)換的線性層；FC2是邊到點(diǎn)轉(zhuǎn)換的線性層；h0 代表hf1、hf2、hb1、hb2得到的h分別對(duì)應(yīng)觀測站點(diǎn)前向傳播、虛擬站點(diǎn)前向傳播、觀測站點(diǎn)后向傳播和虛擬站點(diǎn)后向傳播的關(guān)系特征hfg1、hfg2、hbg1、hbg2。

為了權(quán)衡前后時(shí)序傳播方向提取的有效關(guān)系，分別結(jié)合hfg1、hbg1以及hfg2、hbg2，并通過線性層對(duì)整合的結(jié)果降維，提取低維關(guān)系特征f1和f2，如式（4）所示：

最后，連接f1和f2以結(jié)合觀測站點(diǎn)間與虛擬站點(diǎn)間構(gòu)建的關(guān)系特征，并采用Softmax 激活函數(shù)計(jì)算出最終的關(guān)系強(qiáng)度hg，如式（5）所示：

1.4 EN-GRU模塊

設(shè)計(jì)EN-GRU 模塊作為解碼器，使用向前、向后兩個(gè)傳播方向分別捕獲前向和后向的溫度時(shí)間序列變化。按照DG-LSTM 生成的站點(diǎn)間關(guān)系強(qiáng)度，在每個(gè)時(shí)刻關(guān)聯(lián)各個(gè)站點(diǎn)由GRU 產(chǎn)生的隱藏狀態(tài)，如圖4 所示。在每個(gè)時(shí)刻，c2 作為關(guān)聯(lián)的最終狀態(tài)與地面觀測多站點(diǎn)X一起輸入EN-GRU，產(chǎn)生下一時(shí)刻的隱藏狀態(tài)，如式（6）所示：

圖4 EN-GRU模塊Fig.4 EN-GRU module

其中：FCne是點(diǎn)到邊轉(zhuǎn)換的線性層，F(xiàn)Cen是邊到點(diǎn)轉(zhuǎn)換的線性層。EN-GRU 在向前向后傳播使用的GRU 分別是GRUf和GRUb，生成的最終隱藏狀態(tài)ct分別是cft和cbt。

最后，結(jié)合最終的隱藏狀態(tài)cf和cb，并通過線性層將其轉(zhuǎn)換為與標(biāo)簽相同維度的預(yù)測結(jié)果，如式（7）所示：

1.5 損失函數(shù)

GDM 通過最小化真實(shí)溫度值與預(yù)測值之間的均方誤差（Mean-Square Error，MSE）來訓(xùn)練模型，如式（8）所示：

其中：Yi與分別是第i個(gè)站點(diǎn)的真實(shí)溫度與預(yù)測溫度。

2 實(shí)驗(yàn)與結(jié)果分析

2.1 數(shù)據(jù)集

實(shí)驗(yàn)使用了河北省氣象局提供的地面氣象站點(diǎn)數(shù)據(jù)集以及公開數(shù)據(jù)集MOD11A1。地面氣象站點(diǎn)數(shù)據(jù)是從2017 年1 月1 日0 時(shí)到2020 年4 月3 日24 時(shí)的10 個(gè)氣象站點(diǎn)的氣象數(shù)據(jù)，在地圖上使用圓點(diǎn)標(biāo)記10 個(gè)觀測站點(diǎn)，如圖5 所示。MOD11A1 以1 km 的空間分辨率提供每日每像素地表溫度和發(fā)射率，如圖6 所示。從MOD11A1 數(shù)據(jù)集提取出如下要素：1 km 分辨率的白天與夜晚的地表溫度；白天與夜晚地表溫度和發(fā)射率的質(zhì)量控制；白天與夜晚的地面溫度觀測；白天與夜晚的角度觀天頂?shù)牡乇頊囟?；波?1 發(fā)射率，波段32 發(fā)射率，白天和夜間晴空覆蓋，如圖7 所示。選擇對(duì)應(yīng)地面氣象站點(diǎn)數(shù)據(jù)的時(shí)間和空間范圍提取MOD11A1 作為輔助數(shù)據(jù)M。在實(shí)驗(yàn)前，對(duì)數(shù)據(jù)進(jìn)行了Z-SCORE 標(biāo)準(zhǔn)化的預(yù)處理，按6∶2∶2 的比例將數(shù)據(jù)集劃分為訓(xùn)練集、驗(yàn)證集和測試集。

圖5 站點(diǎn)分布Fig.5 Station distribution

圖6 MOD11A1數(shù)據(jù)Fig.6 MOD11A1 data

圖7 多要素圖Fig.7 Multi-element diagram

2.2 實(shí)驗(yàn)設(shè)置

GDM 訓(xùn)練采用RMSprop 優(yōu)化器進(jìn)行參數(shù)優(yōu)化，初始學(xué)習(xí)率設(shè)為0.001，使用early stopping 訓(xùn)練策略防止過擬合，代碼基于Pytorch 架構(gòu)實(shí)現(xiàn)。為了評(píng)估GDM 效果，使用平均絕對(duì)誤差（Mean Absolute Error，MAE）、均方根誤差（Root Mean Squared Error，RMSE）、決定系數(shù)（R-Square，R2）作為評(píng)價(jià)指標(biāo)。MAE 是實(shí)際觀測值與預(yù)測值之間差值的平均值，可以更好地反映預(yù)測值誤差的實(shí)際情況；RMSE 測量觀測值和真實(shí)值之間的偏差；R2反映訓(xùn)練模型的擬合效果。MAE 和RMSE 值越低，預(yù)測結(jié)果越好；R2越大，模型擬合效果越好。為了保證對(duì)比實(shí)驗(yàn)與消融實(shí)驗(yàn)的有效性，所有的實(shí)驗(yàn)參數(shù)盡量保持一致。實(shí)驗(yàn)中輸入的序列長度均被設(shè)置為72 h。

與GDM 對(duì)比的模型如下：二維卷積神經(jīng)網(wǎng)絡(luò)（2-Dimensional Convolutional Neural Network，2D-CNN）利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)氣象站點(diǎn)歷史數(shù)據(jù)進(jìn)行建模；長短期記憶全連接（Long Short-Term Memory-Fully Connected，LSTM-FC）網(wǎng)絡(luò)［27］使用LSTM 捕獲時(shí)間序列依賴性，并使用神經(jīng)網(wǎng)絡(luò)獲取相鄰站之間的空間依賴關(guān)系；長短期記憶神經(jīng)網(wǎng)絡(luò)擴(kuò)展（Long Short-Term Memory neural network Extended，LSTME）網(wǎng)絡(luò)［28］利用LSTM 從歷史數(shù)據(jù)中自動(dòng)提取固有的有用特征，并將氣象數(shù)據(jù)和時(shí)間戳數(shù)據(jù)等輔助數(shù)據(jù)合并到模型中；LSTMAdaBoost 結(jié)合了異構(gòu)的LSTM 網(wǎng)絡(luò)模型和AdaBoost 模型。為了評(píng)估GNN 與遙感數(shù)據(jù)的有效性，進(jìn)行如下的消融實(shí)驗(yàn)：前饋后饋門控單元（Feedforward and feedBack Gated Recurrent Unit，F(xiàn)BGRU）是雙向GRU 模型；前饋后饋解碼編碼器（Feedforward and feedBack Encoder and Decoder，F(xiàn)BED）采用雙向LSTM 與GNN 編碼地面氣象站點(diǎn)間關(guān)系，雙向GRU 解碼出預(yù)測結(jié)果；GDM 在FBED 的編碼器中加入GNN 編碼的遙感數(shù)據(jù)產(chǎn)生的虛擬站點(diǎn)間關(guān)系。

2.3 實(shí)驗(yàn)結(jié)果

在實(shí)驗(yàn)中，綜合評(píng)估了GDM 和四種對(duì)比實(shí)驗(yàn)?zāi)Ｐ秃蛢蓚€(gè)消融實(shí)驗(yàn)?zāi)Ｐ?。?shí)驗(yàn)對(duì)10 個(gè)站點(diǎn)進(jìn)行了未來1～24 h 的溫度預(yù)測。每個(gè)站點(diǎn)的所有實(shí)驗(yàn)結(jié)果如表1～6 所示，其中最好的結(jié)果加粗表示。圖8～13 展示了不同模型在每個(gè)時(shí)間點(diǎn)的預(yù)測誤差的對(duì)比情況。

2.3.1 對(duì)比實(shí)驗(yàn)結(jié)果與分析

使用MAE、R2和RMSE 評(píng)估GDM 與四種對(duì)比模型的24 h 預(yù)測性能，如表1～3 所示，GDM 在任意一個(gè)站點(diǎn)都具有最優(yōu)秀結(jié)果。圖8～10 展現(xiàn)了GDM 在24 h 內(nèi)與其他模型的對(duì)比情況。結(jié)果表明，相較于LSTM-AdaBoost 模型，GDM 的三個(gè)評(píng)價(jià)指標(biāo)的結(jié)果僅在第1 小時(shí)較差；相較于另外三個(gè)對(duì)比模型，GDM 的三個(gè)評(píng)價(jià)指標(biāo)結(jié)果在任何時(shí)刻均是最優(yōu)。

表1 24 h內(nèi)溫度預(yù)測MAE 單位：℃Tab.1 MAE of temperature prediction within 24 hours unit：℃

表2 24 h內(nèi)溫度預(yù)測R2 單位：%Tab.2 R2 of temperature prediction within 24 hours unit：%

表3 24 h內(nèi)溫度預(yù)測RMSE 單位：℃Tab.3 RMSE of temperature prediction within 24 hours unit：℃

圖8 對(duì)比實(shí)驗(yàn)24 h MAEFig.8 MAE of comparison results in 24 hours

圖9 對(duì)比實(shí)驗(yàn)24 h R2Fig.9 R2 of comparison results in 24 hours

GDM 表現(xiàn)較好的主要原因有兩點(diǎn)：1）相較于4 種對(duì)比模型，針對(duì)地面氣象觀測站點(diǎn)分布較為稀疏的特點(diǎn)，本文采用時(shí)空注意力模塊將空間信息較為詳細(xì)的MOD11A1 數(shù)據(jù)轉(zhuǎn)換為虛擬觀測站點(diǎn)來輔助溫度預(yù)測；2）本文采用圖神經(jīng)網(wǎng)絡(luò)構(gòu)建出站點(diǎn)間的關(guān)系強(qiáng)度，在每個(gè)時(shí)刻都對(duì)長短期記憶單元輸出的短期記憶構(gòu)建潛在的聯(lián)系形成觀測站點(diǎn)間的關(guān)系強(qiáng)度。

2.3.2 消融實(shí)驗(yàn)結(jié)果與分析

如表4～6 所示，對(duì)于未來24 h 溫度預(yù)測，GDM 優(yōu)于FBGRU 與FBED。從圖11 和13 中可以看到，F(xiàn)BED 的MAE和RMSE 僅僅在前8 個(gè)小時(shí)較差于FBGRU。圖12 展現(xiàn)了除前7 個(gè)小時(shí)外，F(xiàn)BED 的R2均優(yōu)于FBGRU。因此，在較長時(shí)間序列預(yù)測中，GNN 構(gòu)建站點(diǎn)間的聯(lián)系是有效的。而在前8個(gè)時(shí)刻的效果較差是由于在較短的時(shí)間內(nèi)站點(diǎn)本身溫度序列的時(shí)間依賴性比較強(qiáng)，而加入了相鄰站點(diǎn)信息的模型削弱了站點(diǎn)本身歷史觀測溫度信息的強(qiáng)度。圖11～13 顯示GDM的評(píng)價(jià)指標(biāo)除第1 個(gè)小時(shí)均優(yōu)于FBGRU，因?yàn)橄鄬?duì)于僅采用站點(diǎn)數(shù)據(jù)進(jìn)行站點(diǎn)間關(guān)系的構(gòu)建，使用構(gòu)建的虛擬站點(diǎn)進(jìn)行輔助，可緩解地面站點(diǎn)分布稀疏對(duì)站點(diǎn)間關(guān)系的影響。

圖10 對(duì)比實(shí)驗(yàn)24 h RMSEFig.10 RMSE of comparison results in 24 hours

圖11 消融實(shí)驗(yàn)24h MAEFig.11 MAE of ablation results in 24 hours

圖12 消融實(shí)驗(yàn)24h R2Fig.12 R2 of ablation results in 24 hours

圖13 消融實(shí)驗(yàn)24 h RMSEFig.13 RMSE of ablation results in 24 hours

表4 消融模型24 h內(nèi)溫度預(yù)測MAE 單位：℃Tab.4 MAE of temperature prediction within 24 hours for ablation models unit：℃

表5 消融模型24 h內(nèi)溫度預(yù)測R2 單位：%Tab.5 R2 of temperature prediction within 24 hours for ablation models unit：%

表6 消融模型24 h內(nèi)溫度預(yù)測RMSE 單位：℃Tab.6 RMSE of temperature prediction within 24 hours for ablation models unit：℃

3 結(jié)語

本文提出一種基于聯(lián)合MOD11A1 和地面氣象站點(diǎn)數(shù)據(jù)的多站點(diǎn)溫度預(yù)測深度學(xué)習(xí)模型，通過注意力將遙感數(shù)據(jù)轉(zhuǎn)換為虛擬多站點(diǎn)數(shù)據(jù)，然后使用雙向的兩層LSTM 對(duì)溫度時(shí)間序列數(shù)據(jù)進(jìn)行編碼，并且將GNN 用于多站點(diǎn)關(guān)系編碼，成功地捕捉了多站點(diǎn)溫度時(shí)間序列的空間相關(guān)性，最后應(yīng)用兩層EN-GRU 對(duì)編碼的空間關(guān)系解碼出預(yù)測結(jié)果。對(duì)GDM 進(jìn)行了消融實(shí)驗(yàn)與對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明GDM 相較于其他模型預(yù)測結(jié)果提升顯著。由于本文僅利用了地面氣象站點(diǎn)的溫度資料與深度學(xué)習(xí)模型，在未來的研究工作中，將探索多元?dú)庀笠嘏c溫度的潛在關(guān)系，并把物理模型融入深度學(xué)習(xí)模型。