中国冬季降水的支持向量机预测模型研究

我国冬季降水对于农业、水资源管理和自然灾害风险评估具有重要意义.受多种气象因素的影响,冬季降水的预测仍具有挑战性,进一步提升冬季降水的预测技巧是当下短期气候预测研究的重要课题.本研究采用支持向量机(SVM)方法,旨在通过机器学习方法提高中国冬季降水的预测准确率.基于NCEP_CFS, ECMWF_SYSTEM, BCC_CSM等五个模式数据以及站点数据,建立针对冬季降水的SVM集成预测模型,并与单个模式和等权集合平均模型(AVE)加以对比.SVM模型因其强泛化和处理非线性问题的能力,在中国冬季降水预测中表现良好.研究表明:(1)SVM模型较单个模式及AVE模型的预测准确性与稳定性得到大幅提升,SVM模型的PS评分和PCS评分显著高于单个成员模式的结果,最大分别提高了8.0(12.6%)和3.9(7.4%),较AVE模型则最大分别提高了5.4(8.2%)和2.1(3.8%),预报技巧的提高在观测资料相对缺乏的西南和西北地区尤为明显.(2)从均方根误差和时间相关系数的空间分布上来看,SVM模型对其成员模式在西藏地区、西南地区、华东及华南地区误差较大的情况改善明显,误差最大降低了259(90.9%),预报技巧最大提高了1.13.(3)独立样本检验中,SVM模型的PS评分和PCS评分显著高于单个模式和AVE模型,最大提高了10.79(20.3%)和11.39(27.3%).因此,SVM模型的构建,将有助于进一步提高中国冬季降水预测的准确性和稳定性,为气象防灾减灾和气候资源开发利用等提供重要技术支撑.