發(fā)布時(shí)間：2021-03-19 12:17

　　面向海南省所特有的海島以及熱帶特點(diǎn),結(jié)合海南島獨(dú)特的地理地貌,本研究設(shè)計(jì)了基于時(shí)空獨(dú)立的隨機(jī)森林模型,并利用站點(diǎn)的實(shí)測(cè)數(shù)據(jù)以及歐洲中期天氣預(yù)報(bào)中心（ECMWF）的模式數(shù)據(jù),實(shí)現(xiàn)了對(duì)每個(gè)站點(diǎn)未來(lái)7天預(yù)報(bào)時(shí)效為3小時(shí)的氣溫精準(zhǔn)訂正;同時(shí)采用小于2℃的準(zhǔn)確率、小于1℃的準(zhǔn)確率及均方根誤差等指標(biāo),對(duì)ECMWF模式的預(yù)報(bào)溫度和本文模型的訂正氣溫進(jìn)行了評(píng)估,結(jié)果表明,本文所提的訂正模型結(jié)果要顯著優(yōu)于ECMWF模式的結(jié)果,前者更接近真實(shí)的溫度值,它對(duì)ECMWF的模式數(shù)據(jù)進(jìn)行了較好的訂正. 

【文章來(lái)源】：海南大學(xué)學(xué)報(bào)(自然科學(xué)版). 2020,38(04)

【文章頁(yè)數(shù)】：9 頁(yè)

【部分圖文】：

樣本構(gòu)造及分段訓(xùn)練

以2020年4月16日�？谡军c(diǎn)為例,預(yù)報(bào)時(shí)效為7天,時(shí)效間隔為3小時(shí),分別采用小于2 ℃的準(zhǔn)確率、小于1 ℃的準(zhǔn)確率及均方根誤差等3個(gè)指標(biāo),對(duì)真實(shí)溫度、ECMWF模式預(yù)報(bào)溫度和本文模型訂正結(jié)果進(jìn)行比較,結(jié)果如圖2所示.本文所提模型能夠?qū)CMWF模式氣溫預(yù)報(bào)結(jié)果進(jìn)行較好地訂正,在三個(gè)指標(biāo)上均優(yōu)于ECMWF的預(yù)報(bào)結(jié)果,能更加準(zhǔn)確地逼近真實(shí)溫度,這證明了本文算法在單點(diǎn)訂正的有效性.在對(duì)基于時(shí)空獨(dú)立隨機(jī)森林模型進(jìn)行模型學(xué)習(xí)時(shí),隨機(jī)森林中樹(shù)的數(shù)量(NT)和特征數(shù)占比(NF)會(huì)對(duì)回歸結(jié)果產(chǎn)生較大的影響,因此,本文采用網(wǎng)格化搜索的方式對(duì)這兩個(gè)參數(shù)進(jìn)行了分析,確定了最優(yōu)參數(shù)組合.將訓(xùn)練集按7∶3的比例分成兩部分,一部分用來(lái)訓(xùn)練模型,一部分則用來(lái)驗(yàn)證模型,以選出最優(yōu)參數(shù).本文設(shè)定樹(shù)的數(shù)量搜索范圍為400～1 300,特征數(shù)占比的搜索范圍為10%～90%.網(wǎng)格化搜索的結(jié)果如圖3所示,從圖3中可知,當(dāng)特征數(shù)占比在范圍[50%～75%]時(shí),且樹(shù)的數(shù)量在[400～1 300]時(shí),本文模型的性能穩(wěn)定在某個(gè)固定的區(qū)間,波動(dòng)不大,這也證明了本文所提算法具有較好的魯棒性.因此,在綜合考慮運(yùn)算時(shí)間和效率的基礎(chǔ)上,本文最終選取了樹(shù)的數(shù)量為1 000,特征數(shù)占比為75%.此外,為說(shuō)明本文所提的隨機(jī)森林算法在氣象預(yù)報(bào)方面的優(yōu)越性,在此將隨機(jī)森林模型與基于Boosting的GBDT模型和傳統(tǒng)線性回歸模型進(jìn)行對(duì)比.仍以海口站點(diǎn)為例,分別采用了三個(gè)模型進(jìn)行預(yù)測(cè),結(jié)果如圖4所示.從圖4中可以看出,本文所提模型的準(zhǔn)確率高于GBDT和傳統(tǒng)線性回歸的準(zhǔn)確率.

在對(duì)基于時(shí)空獨(dú)立隨機(jī)森林模型進(jìn)行模型學(xué)習(xí)時(shí),隨機(jī)森林中樹(shù)的數(shù)量(NT)和特征數(shù)占比(NF)會(huì)對(duì)回歸結(jié)果產(chǎn)生較大的影響,因此,本文采用網(wǎng)格化搜索的方式對(duì)這兩個(gè)參數(shù)進(jìn)行了分析,確定了最優(yōu)參數(shù)組合.將訓(xùn)練集按7∶3的比例分成兩部分,一部分用來(lái)訓(xùn)練模型,一部分則用來(lái)驗(yàn)證模型,以選出最優(yōu)參數(shù).本文設(shè)定樹(shù)的數(shù)量搜索范圍為400～1 300,特征數(shù)占比的搜索范圍為10%～90%.網(wǎng)格化搜索的結(jié)果如圖3所示,從圖3中可知,當(dāng)特征數(shù)占比在范圍[50%～75%]時(shí),且樹(shù)的數(shù)量在[400～1 300]時(shí),本文模型的性能穩(wěn)定在某個(gè)固定的區(qū)間,波動(dòng)不大,這也證明了本文所提算法具有較好的魯棒性.因此,在綜合考慮運(yùn)算時(shí)間和效率的基礎(chǔ)上,本文最終選取了樹(shù)的數(shù)量為1 000,特征數(shù)占比為75%.此外,為說(shuō)明本文所提的隨機(jī)森林算法在氣象預(yù)報(bào)方面的優(yōu)越性,在此將隨機(jī)森林模型與基于Boosting的GBDT模型和傳統(tǒng)線性回歸模型進(jìn)行對(duì)比.仍以�？谡军c(diǎn)為例,分別采用了三個(gè)模型進(jìn)行預(yù)測(cè),結(jié)果如圖4所示.從圖4中可以看出,本文所提模型的準(zhǔn)確率高于GBDT和傳統(tǒng)線性回歸的準(zhǔn)確率.圖4 本文模型與GBDT模型和傳統(tǒng)線性回歸模型的對(duì)比結(jié)果

【參考文獻(xiàn)】：
期刊論文
[1]基于隨機(jī)森林的暴雨災(zāi)害人口損失預(yù)估模型及應(yīng)用[J]. 劉揚(yáng),王維國(guó).  氣象. 2020(03)
[2]一種偏差訂正方法在平昌冬奧會(huì)氣象預(yù)報(bào)的應(yīng)用[J]. 張玉濤,佟華,孫健.  應(yīng)用氣象學(xué)報(bào). 2020(01)
[3]ECMWF高分辨率模式2m溫度預(yù)報(bào)誤差訂正方法研究[J]. 薛諶彬,陳嫻,張瑛,鄭婧,馬曉華,張雅斌,潘留杰.  氣象. 2019(06)
[4]基于數(shù)值預(yù)報(bào)和隨機(jī)森林算法的強(qiáng)對(duì)流天氣分類(lèi)預(yù)報(bào)技術(shù)[J]. 李文娟,趙放,酈敏杰,陳列,彭霞云.  氣象. 2018(12)
[5]基于LSTM深度神經(jīng)網(wǎng)絡(luò)的精細(xì)化氣溫預(yù)報(bào)初探[J]. 倪錚,梁萍.  計(jì)算機(jī)應(yīng)用與軟件. 2018(11)
[6]三種數(shù)值模式氣溫預(yù)報(bào)產(chǎn)品的檢驗(yàn)及誤差訂正方法研究[J]. 王煥毅,譚政華,楊萌,張翹,蔣林杉.  氣象與環(huán)境學(xué)報(bào). 2018(01)
[7]基于支持向量機(jī)的海南氣溫預(yù)測(cè)模型研究[J]. 朱晶晶,趙小平,吳勝安,吳慧,邢彩盈.  海南大學(xué)學(xué)報(bào)(自然科學(xué)版). 2016(01)
[8]ECMWF模式地面氣溫預(yù)報(bào)的四種誤差訂正方法的比較研究[J]. 李佰平,智協(xié)飛.  氣象. 2012(08)
[9]數(shù)值模式的預(yù)報(bào)策略和方法研究進(jìn)展[J]. 任宏利,丑紀(jì)范.  地球科學(xué)進(jìn)展. 2007(04)



本文編號(hào)：3089553