基于树分类器神经网络的雷暴预测方法

发布时间：2021-12-29 04:55

　　针对基于机器学习的雷暴预测问题提出了一种新方法,该方法将应用于气象卫星图像的二维光流算法误差作为机器学习模型的特征。为了考虑空间邻近性,根据特征训练不同的树分类器模型以及神经网络,以预测未来几个小时内的闪电,即临近预报。通过比较不同模型的预测能力以及不同特征对分类结果的影响。研究结果表明,对于未来15min的预测,该方法准确率高达96%,随着预测时间的增加,准确率略有下降,但对于长达5h的预测,准确率仍然高于83%。该方法为雷暴预警预测方法选用提供了新的思路。 

【文章来源】：信息技术. 2020,44(07)

【文章页数】：6 页

【部分图文】：

基于机器学习的雷暴预测方法示意图

图2显示了在集合0、2和3上训练的梯度增强的前15个特征的示例图,它们共同组成了最大训练集。WV6.2通道的9×9内核窗口内的最大值是最重要的特征,其基尼指数约为0.14,其次是在IR3.9通道中具有最大内核的最大卷积,然而,但其重要性仅为第一个特征的一半。表5显示了针对不同训练集的梯度增强模型的前35个功能内的通道出现次数、内核大小以及卷积类型。其中,IR3.9属于最突出的渠道,在主要功能中出现六至八次,其次是IR9.7和VIS0.8。考虑到不同的内核大小,该模型显然倾向于使用较大的内核。

基于梯度增强结果的VIS0.6通道随时间的平均误差值


本文编号：3555439