onlstm时间复杂度_CNN-LSTM | 一种融合卫星-雨量站降水数据的时空深度融合模型

1，不同模型的降水融合性能

表2 2001-2005年全国796个气象站不同降水校正模型的RMSE、RB、MAE和CC

如表2所示，将4种模型结果与原TRMM数据进行了定量比较，RMSE和MAE值越小表明模型误差越小。CC值越大表明在该模型下数据间的相关性越好。CNN-LSTM模型充分考虑了降水对时间和空间的依赖性，在RMSE和MAE值方面CNN-LSTM模型均小于其他模型；在CC值方面CNN-LSTM模型均大于其他模型。这表明CNN-LSTM模型的性能更优于其他模型。

图5.中国大陆原TRMM数据和CNN-LSTM融合降水数据度量值的空间分布：原TRMM数据的CC(a)、RMSE(c)、MAE(e)，以及CNN-LSTM模型的CC(b)、RMSE(d)、MAE(f)

从图5可以看出，CNN-LSTM模型的CC在大部分地区都有明显改善，RMSE和MAE也有明显下降，东南沿海地区尤为明显。不过，西北部的CC稍低一些，甚至低于0.2。这可能是因为：(1)中国西北地区的气候和地形复杂，而卫星无法获得准确的降水特征；(2)该地区的测站数量太少，无法用真实的降水量来准确测量误差。RMSE和MAE的分布