基于机器学习的韶关地区短期日平均气温研究

Study on short-term daily average temperature based on machine learning in Shaoguan Region

利用1965-2017年韶关地区8个站点的日平均气温观测资料,发现将过去连续7 d的日平均气温分别作为逐步多元线性回归、LightGBM(light gradient boosting machine)以及BP-NN(back propagation neural network)算法(机器学习)的自变量可最准确地预报出未来1~3 d的日平均气温。据此分别构建了三种短期气温预报模型,并系统地探讨了其适用性。主要结果如下:(1)三种模型的预报准确度均较高,机器学习方法在预报正确率(绝对误差(absolute error)小于2 ℃的天数占比)、相关系数(R)和平均绝对误差(mean absolute error,MAE).上均要优于逐步多元线性回归法。其中LightGBM的预报效果最优,其1~3 d的预报正确率分别为84.38%、69.86%、61.37%,对应预报值与测量值之间的R分别为0.98、0.94、0.93,MAE分别为1.17、1.76、2.00℃。(2)冬春季、秋冬季日平均气温较大的波动性是导致该时期三种模型MAE总体偏大的主要因素,但LightGBM仍具有最优的预报稳定性,其绝对误差的方差最低。