基于机器学习的复杂地形下短期数值天气预报误差分析与订正

发布时间：2021-04-08 02:21

　　初步研发了一套基于机器学习方法XGBoost且考虑地形特征影响的数值预报多模式集成技术,并与传统的等权重平均和线性回归方法的集成效果进行了对比分析。利用北京地区快速更新循环数值预报系统每天8次循环预报给出的近地面2m温度、2 m相对湿度、10 m风速、10 m风向数据产品,分别基于机器学习方法XGBoost、等权重平均方法、线性回归方法构建了3种体现地形因子影响的多模式预报时间滞后集成模型。试验对比分析了暖季、冷季每日不同时刻的模式预报集成订正效果。结果表明:分季节试验中,基于XGBoost模型对2m温度、10m风速的集成预报结果相对原始最优预报结果误差明显优于其他两种传统方法。XGBoost对2 m温度集成的误差可降低11.02%—18.09%,10 m风速集成误差可降低31.23%33.22%,10 m风向集成误差可降低4.1%—8.23%。2 m相对湿度的集成预报误差与传统方法接近。基于XGBoost的多模式集成预报模型可以充分"挖掘"不同模式或不同时刻快速更新循环预报优点,有效降低模式的系统性误差,提供准确性更高的多模式集成确定性预报产品。 

【文章来源】：气象学报. 2020,78(06)北大核心CSCD

【文章页数】：19 页

【参考文献】：
期刊论文
[1]相似集合预报方法在北京区域地面气温和风速预报中的应用[J]. 王在文,陈敏,Luca Delle Monache,卢冰,张涵斌.  气象学报. 2019(05)
[2]基于支持向量机的雷暴大风识别方法[J]. 杨璐,韩丰,陈明轩,孟金平.  应用气象学报. 2018(06)
[3]基于集合预报和支持向量机的中期强降雨集成预报试验[J]. 黄威,牛若芸.  气象. 2017(09)
[4]多模式温度集成预报[J]. 赵声蓉.  应用气象学报. 2006(01)



本文编号：3124658