Eine Leistungsbewertung zur Klimaprediction in der Stadt Weifang unter Verwendung verschiedener Deep-Learning-Modelle

Der Klimawandel betrifft den Wasserkreislauf, das Management von Wasserressourcen und die nachhaltige sozioökonomische Entwicklung. Um den Klimawandel in der Stadt Weifang, China, genau vorhersagen zu können, verwendet diese Studie mehrere datengestützte Deep-Learning-Modelle. Die Klimadaten für 73 Jahre umfassen die monatliche durchschnittliche Lufttemperatur (MAAT), die monatliche durchschnittliche Mindestlufttemperatur (MAMINAT), die monatliche durchschnittliche Höchstlufttemperatur (MAMAXAT) und den monatlichen Gesamtniederschlag (MP). Die verschiedenen Deep-Learning-Modelle umfassen künstliche neuronale Netze (ANN), rekursive neuronale Netze (RNN), Gated Recurrent Units (GRU), Long Short-Term Memory-Netzwerke (LSTM), tiefe konvolutionale neuronale Netze (CNN), hybride CNN-GRU, hybride CNN-LSTM und hybride CNN-LSTM-GRU. Das CNN-LSTM-GRU-Modell zur MAAT-Vorhersage ist das leistungsstärkste Modell im Vergleich zu anderen Deep-Learning-Modellen mit dem höchsten Korrelationskoeffizienten (R = 0,9879) und dem niedrigsten Root Mean Square Error (RMSE = 1,5347) sowie dem Mean Absolute Error (MAE = 1,1830). Diese Ergebnisse zeigen, dass die hybride CNN-LSTM-GRU-Methode ein geeignetes Klimaprediktionsmodell ist. Diese Deep-Learning-Methode kann auch für die Modellierung von Oberflächenwasser verwendet werden. Die Klimaprediction wird bei der Hochwasserkontrolle und dem Management von Wasserressourcen helfen.