3种修正的机器学习算法在逐3h降水量预报中的比较应用

为了订正数值预报产品,完善预报模型本地化应用,提高石林地区降水预报准确率,采用石林地区2016—2018年3 h累计降水量观测资料和欧洲细网格数值预报场资料,基于概率神经网络(PNN)、支持向量机(SVM)和Logistics判别的3种机器学习算法对石林地区的逐3 h时间间隔降水量的8个等级进行回归建模。利用遗传算法修正PNN网络的平滑因子和SVM模型的核函数中的Gamma值及惩罚系数,选择最优模型参数并建模;尝试线性回归后再多次使用Logistics判别的技术获得8个降水量级的预报值来构建预报模型,修正AUC阈值获取方式,提高预报模型TS评分。通过3种机器学习模型2018年汛期降水预报的业务检验表明,PNN和SVM模型优于扩展的Logistics判别模型,3种模型中Logistics判别模型的TS评分接近30%,PNN和SVM模型TS评分在45%左右,特别是对中雨以上的较强降水预报,3种模型TS评分达到28%。