几种典型机器学习算法在短临降雨预报分析研究

针对降雨过程中大气可降水量(PWV)和气象参数(温度(T)、湿度(U)、露点温度(T_(d))、气压(P))特征变化情况,提出基于机器学习算法的短临降雨预报模型.以北京(BJFS)站和武汉(WUH2)站2020年的3 h天顶对流层延迟(ZTD)和气象数据为例,构建随机森林(RF)、支持向量机(SVM)、K近邻(KNN)、朴素贝叶斯分类器(NBC) 4种算法的预报模型,并引入各自时刻的降雨情况作为新的特征向量,分别采用70%和80%训练集的分割方式,降雨情况作为模型输出,并利用准确性、精确率和假负率评价模型的适用性.在取得准确性约0.92,精确率约80%,假负率约20%的结果下,进一步以时间序列年积日为第150—200天的数据为样本,对200—250天的降雨情况进行预报.实验结果表明:基于机器学习的短临降雨预报模型可以预报未来3 h 80%以上的降雨情况,且假负率在20%以下,其中SVM模型的综合性能更优.与传统的阈值模型相比,准确率相当,假负率降低约50%.

基于GNSS PWV的短临降雨预测方法

全球导航卫星系统(global navigation satellite system,GNSS)能够有效地反演大气可降水量(preipitable water vapor,PWV),相对于传统的无线电探空技术具有时间分辨率高、分布广泛、精度高等特点,适用于研究强对流等灾害性降雨天气过程中的水汽变化。通过研究大气可降水量时变特征与降雨之间的正相关关系,发现降雨发生数小时内PWV含量有急剧增大的现象,由此提出并建立了一种基于GNSS PWV的短临降雨预测方法。利用2014-09-01～2015-08-31浙江连续运行参考站(continuously operating reference station,CORS)网的GNSS观测数据和降雨量信息对该方法进行验证,结果表明该方法预测短临降雨的正确率达到80%,而误报率控制在66%左右,与目前国际同行根据PWV预测出的结果相比,正确率提高约7%。将该预测方法应用于武汉2010年全年降雨中,结果显示,该方法对于降雨的短临预测具有较好的适用性和较高的预测精度。

基于LSTM模型的降雨短临预报

为了利用大气可降水量(Precipitable Water Vapor,PWV)预报降雨,针对PWV在降雨过程中处于动态变化的现象,提出使用长短期记忆神经网络(LSTM)构建基于时序数据的多气象参数短临降雨预报模型。实验表明,当设置预报时间在1~6 h的情况下,模型短临预报降雨的整体性能优于其他时间尺度的预报,能预报目标区域约47%的降雨,模型的准确率为66%,略优于传统PWV分析方法;误报率为8%,优于传统PWV分析的预报方法。

基于随机森林的降雨预报季节性分析

全球导航卫星系统(Global Navigation Satellite Systems,GNSS)能够以高精度和高时间分辨率有效地反演大气可降水量(precipitable water vapor,PWV)。GNSS衍生的PWV可用于反映强对流天气过程中的水汽变化。通过研究PWV、气象参数与降雨的相关系可以帮助研究人员利用随机森林模型进行降雨预报。但缺少测站位置的气象参数限制了PWV的进一步应用。因此,文章利用GPT3模型得到经验气象参数帮助GNSS反演PWV,并利用wuh2测站建立随机森林降雨预报模型,研究季节性对预报效果的影响。结果表明,在7月—9月的预报效果是最好的,达到了93%以上,1月—3月的效果是最差的,但也在75%以上。在今后的研究中,可以针对不同季度改变建模策略,来提高预报的精度。

海洋极端天气现象预测方法研究进展

海洋极端天气对沿海地区影响重大。研究人员利用海洋大数据,结合深度学习算法,在海洋极端天气现象预测方面取得了重要进展。本文首先以典型的多尺度海洋极端天气现象——厄尔尼诺、台风及短临降雨为例,介绍了近年来主流的海洋极端天气现象预测算法,即基于模式计算的方法和基于人工智能的算法。然后分析了海洋极端天气现象智能预测的挑战和机遇,详细总结了各类方法的研究进展,并且通过数据和实验讨论了现有算法的优点和不足。最后展望了基于海洋大数据的海洋极端天气现象智能预测的发展方向。