本文是一篇软件工程论文，本文将其看作时空预测问题。并提出了融入了稠密卷积-转置卷积对的改进模型。通过预测全球海表异常温度得出nino3.4指数。
第一章 绪论
1.1 研究背景及意义
准确的天气预报系统可以大大降低自然灾害带来的经济损失。从时间长短上来划分，如表1.1所示，预报类型可以分为临近预报、短时预报、短期预报、中期预报、长期预报。其中，在中长期领域，数值天气预报（Numerical Weather Prediction，NWP）已发展出成熟的业务系统。NWP是以某时刻气象要素的空间分布为初值，在给定边界条件下建立复杂的物理状态方程，通过大型计算机模拟未来一段时间内的大气运动。但是，由于其微分方程组求解过程的复杂性，NWP还无法在短临预报中取得准确的预报结果，目前在该领域得到更广泛应用的是基于雷达数据的外推方法。
软件工程论文怎么写
短临预报对于强降水、台风、冰雹、飑线的预警有重要的参考意义。相对于中长期预报，短临预报的空间分辨率和预报频率要求更高。一个强对流天气的生命周期通常只有几分钟到几十分钟，其发展和消散的速度极快。此外，大气运动还具有高度的复杂性和混沌性，因此，短临雷达外推本质是一个高阶非平稳的时空预测问题。
............................
1.2 国内外研究现状
短临预报早期使用的方法是质心跟踪法[2]，这种方法把每块回波看作一个点，因此适合相对完整的强回波跟踪，而对于零碎回波、回波融合、回波分裂效果较差。后来得到业务应用的是交叉相关法TREC[3, 4]，其通过计算一段图像不同区域的相关性，来确定运动矢量。这种方法相比质心跟踪法，预报准确度有了一定提高，但随着预测时间的增加，辐射失真现象比较严重。1994年Li将二维Boussinesq质量连续性方程约束至TREC中，提出了COTREC方法[5]。改进后的方法[6, 7]解决了回波辐射问题，使得图像保持连续平滑。
光流法[8]是计算机视觉领域的方法，它是通过计算“光流”即物体表面像素的瞬时速度，利用相邻图像之间的相关性找到物体运动信息，进而预报出下一帧图像。已经有很多学者将此方法应用于气象短临预报问题[9-11]，这些研究均采用了基于光流稀疏、计算量较小的Lucas-Kanade光流法[12]。2002年 Farneback提出了基于稠密光流的Farneback光流法[13]，研究表明相较于L-K方法，该方法可以计算每个点的运动速度，准确率更高[14]，因此更适合短临预报。2019年，Ayzel开发了Rainymotion[15]光流法平台，其集成了DeepFlow[16]、PCAFlow[17]等更先进的光流算法。
雷达回波序列是一组时空数据序列，因此雷达短临外推本质是一个时空预测问题。基于长短时记忆网络的深度学习模型在时空预测问题上在近几年已经取得了很大的进展，几乎每年都会有更先进的模型发表在各大顶级期刊和会议中。
......................
第二章 深度学习相关理论与雷达回波外推
2.1 神经网络概述
人工神经网络 (Artificial Neural Networks, ANN)是一种模仿自然界动物神经信号传递的一种分布式高并行性的算法数学模型。神经网络的最大特点是并行性，计算机GPU技术的发展使得其具有极高的运算速度。根据神经网络信号的传递方向可以分为前馈神经网络和反馈神经网络。本章主要介绍前馈神经网络的计算流程和常见类型。前馈神经网络是一种有向无环图结构，各层神经元接受前一级的输入并传递给后一层。前馈神经网络的训练流程可以为前向计算，反向传播以及梯度更新。
神经元是神经网络最基本的单位，最早的人工神经元可以追溯到1943年，由麦卡洛克 (McCulloch, W. S. ) 和数学家皮特斯 (Pitts , W.) [69]提出的MP模型。MP模型将每个神经元抽象为多输入单输出的处理单元。
多个神经元可以拓展为单层感知器 (Perceptron)。单层感知器是将多个输入信号视为一组向量，由所有神经元共享，多个神经元的输出又组成了最终的输出向量。这就形成了一个最简单的神经网络。单层感知器仅能解决线性分类问题，如逻辑“与”和逻辑“或”。当面对更复杂的非线性任务时，需要将多个感知器串联，以提高模型的拟合能力。多层感知器可以分为三个部分，分别是输入层，隐藏层和输出层。每一层神经元都与前一层神经元相互连接，因此多层感知器又被称为全连接(Full Connection，FC) 层。全连接层是神经网络的基础结构之一。
每层网络的权重常用矩阵表示，因此多层网络的串联可以通过矩阵乘法实现。但是，由于到矩阵乘法的性质，多个矩阵相乘等效于一个矩阵，即神经网络仍然只是一个线性分类器。因此为了使得神经网络具有非线性映射能力和将结果压缩到特定范围，还需要在每层网络之间加入激活函数。常见的激活函数有Sigmoid、Tanh以及Relu。
..............................
2.2 卷积神经网络
卷积神经网络（Convolutional Neural Network, CNN）是一种前馈神经网络。受到生物学中大脑中视觉皮层接收视觉信号的过程的启发，CNN使用多个卷积核组作为滤波器来提取一定范围内的空间特征。近年来，CNN及其各种变体在图像识别和检测任务中已经取得了优异的成绩，是深度学习领域最具代表性的模型之一。一个简单的卷积神经网络的主要组成结构可以分为卷积层，池化层和全连接层。
卷积层是卷积神经网络中的核心结构，用于提取每层特征图中的空间信息。每层特征图都共享一个卷积核，卷积核通常是一个尺寸远远小于图像的矩阵。卷积运算就是将每层卷积核与特征图对应的元素逐一相乘并求和，通过不断滑动的方式，将感受野内的信息映射到新的特征图中。通过设置卷积核尺寸以及滑动步幅可以控制卷积后新特征图的大小。图 2.6是一个输入数据为55，卷积核为33，步长为1的卷积计算示意图。黄色区域为对应元素加权求和的结果。
池化层是一种非线性的降采样结构，其通过一个滑动窗口来降低特征图的尺寸。每个滑动窗口内仅保留一个最大值或平均值，前者通常被称为最大值池化，是目前池化最为常见的操作。在若干卷积层之间插入池化操作，可以进一步降低参数的数量和计算代价。除此之外，池化操作天然的具有平移，尺寸不变形，这使得CNN可以非线性的提取图像中的边缘信息。池化层的缩小倍数通常等于池化窗口的尺寸，因此过快的丢弃了数据，目前的趋势是使用更小的池化滤镜，甚至使用全卷积来代替池化层。图 2.7是一个输入数据为4*4，池化窗口为2*2，滑动步长为2的最大池化计算示意图，其中不同颜色分别代表对应区域的下采样结果。
................................
第三章 雷达回波外推衰弱问题及残差卷积LSTM模型研究 ............................... 23
3.1 衰弱问题分析............................................ 23
3.2 残差卷积长短时记忆网.................................... 24
第四章 外推模糊问题及生成对抗-残差卷积LSTM研究........................ 31
4.1 模糊问题分析................................... 31
4.2 生成对抗网络-残差卷积LSTM模型............................... 31
第五章 高分辨率雷达回波外推模型在厄尔尼诺预测中的应用............................ 41
5.1 问题背景................................... 41
5.2 模型结构................................ 41
第五章 高分辨率雷达回波外推模型在厄尔尼诺预测中的应用
5.1 问题背景
实验数据集分辨率经过裁剪和下采样后一般不超过100100，远小于实际业务中的气象资料。因此，基于长短时记忆网络的深度学习模型常常在实验性数据集上取得较好成绩，但在高分辨率雷达回波资料上表现较差。主要原因为LSTM的计算过程复杂，为了降低所需显存，通常需要在预测前后对数据采样。现有的方式主要有切割拼接和patch采样两种。前者通过将原始图像切割为子图，分别预测后，再拼接。后者通过间隔采样后，通过叠加的方式预测后，再交叉还原。切割保持了子图的分辨率与原图分辨率一致，但丢失了地区差异对预测结果的影响，如山区和城市、高原和平原，在降水，温度的变化规律上会有明显不同。patch采样保证了图像的整体性的前提下，缩小了图片尺寸。但大量的交叉拼接会丢失细节特征，随着patch size的增大，预测效果会迅速降低。对于此问题，本章节提出了稠密卷积-长短时记忆网络，通过增加稠密卷积和转置卷积对来代替原有的patch方案。由于球海表温度数据和高分辨率雷达回波数据性质相似，本章节将改进后的问题应用海温预测，并进一步计算厄尔尼诺指数。
软件工程论文参考
.................................
第六章 总结与展望
短临雷达外推算法对于强降水、台风、冰雹、飑线的出现、发展、应对有重要的参考意义，准确的预报系统可以大大降低自然灾害带来的经济损失。虽然基于长短时记忆网络的模型已取得了一定的效果，但此类模型存在回波衰退和模糊失真等问题，还有很大的提升空间。本文针对这两个问题，提出了两种改进的模型。在第三章中，本文提出了一个增加残差模块的卷积长短时记忆网络，用以改善外推衰退问题。在第四章中，本文提出了生成对抗网络-残差卷积长短时记忆网络，用以解决外推结果模糊失真问题。第五章中，本文使用改进后的高分辨率雷达外推模型，应用于厄尔尼诺预测。本文研究内容总结如下：
(1)对于外推雷达回波衰退的原因，提出一个增加残差模块的卷积长短时记忆网络,模型不是生成雷达回波而是去拟合相邻两时次雷达回波的差分，即更专注于雷达回波的生消规律而不是雷达回波本身。在组合雷达反射率数据集上的实验表明rcL STM在预测过程对于高强度回波的留存能力更强。
(2)对于外推雷达回波模糊问题，本文提出了生成对抗网络-残差卷积长短时记忆网络。GAN-rcL STM不再逐时次独立计算预报误差，而是将预报序列视为一个整体。通过在开源数据集SRAD2018上的对比实验可以发现，GAN-rcL STM在预报过程中可以保持更稳定的清晰度，同时在长时次预报中的准确度得分也高于其他时空预测模型。此外，WGAN尽管在某些领域取得了比经典GAN可以生成更多样化的样本，但是在与LSTM的结合中并未表现出更好的预报效果。
参考文献（略）