針對基于機(jī)器學(xué)習(xí)的雷暴預(yù)測問題提出了一種新方法,該方法將應(yīng)用于氣象衛(wèi)星圖像的二維光流算法誤差作為機(jī)器學(xué)習(xí)模型的特征。為了考慮空間鄰近性,根據(jù)特征訓(xùn)練不同的樹分類器模型以及神經(jīng)網(wǎng)絡(luò),以預(yù)測未來幾個(gè)小時(shí)內(nèi)的閃電,即臨近預(yù)報(bào)。通過比較不同模型的預(yù)測能力以及不同特征對分類結(jié)果的影響。研究結(jié)果表明,對于未來15min的預(yù)測,該方法準(zhǔn)確率高達(dá)96%,隨著預(yù)測時(shí)間的增加,準(zhǔn)確率略有下降,但對于長達(dá)5h的預(yù)測,準(zhǔn)確率仍然高于83%。該方法為雷暴預(yù)警預(yù)測方法選用提供了新的思路。 

【文章來源】：信息技術(shù). 2020,44(07)

【文章頁數(shù)】：6 頁

【部分圖文】：

基于機(jī)器學(xué)習(xí)的雷暴預(yù)測方法示意圖

圖2顯示了在集合0、2和3上訓(xùn)練的梯度增強(qiáng)的前15個(gè)特征的示例圖,它們共同組成了最大訓(xùn)練集。WV6.2通道的9×9內(nèi)核窗口內(nèi)的最大值是最重要的特征,其基尼指數(shù)約為0.14,其次是在IR3.9通道中具有最大內(nèi)核的最大卷積,然而,但其重要性僅為第一個(gè)特征的一半。表5顯示了針對不同訓(xùn)練集的梯度增強(qiáng)模型的前35個(gè)功能內(nèi)的通道出現(xiàn)次數(shù)、內(nèi)核大小以及卷積類型。其中,IR3.9屬于最突出的渠道,在主要功能中出現(xiàn)六至八次,其次是IR9.7和VIS0.8�？紤]到不同的內(nèi)核大小,該模型顯然傾向于使用較大的內(nèi)核。

基于梯度增強(qiáng)結(jié)果的VIS0.6通道隨時(shí)間的平均誤差值


本文編號：3555439