气象科学

作者：宋慧娟，陈耀登，欧阳霖，陈海琴，高哲凡，孙涛

单位：南京信息工程大学 气象灾害教育部重点实验室/气象灾害预报预警与评估协同创新中心, 南京 210044,,南京信息工程大学 气象灾害教育部重点实验室/气象灾害预报预警与评估协同创新中心, 南京 210044,,南京信息工程大学 气象灾害教育部重点实验室/气象灾害预报预警与评估协同创新中心, 南京 210044,,南京信息工程大学 气象灾害教育部重点实验室/气象灾害预报预警与评估协同创新中心, 南京 210044,,南京信息工程大学 气象灾害教育部重点实验室/气象灾害预报预警与评估协同创新中心, 南京 210044,,南京信息工程大学 气象灾害教育部重点实验室/气象灾害预报预警与评估协同创新中心, 南京 210044,

关键词：机器学习;短时临近预报;长江中下游;降水;融合模型

基金：国家自然科学基金资助项目(42075148);江苏省"六大人才高峰"计划资助项目(RJFW-016);江苏省大学生创新创业训练计划项目(201910300024Z)

用中国自动站与CMORPH降水产品融合的逐小时降水量网格数据集、全球预报系统(Global Forecasting System, GFS)模式再分析资料,将机器学习特征算法筛选的特征变量作为模型输入数据,运用Catboost模型和以Catboost和随机森林为初级模型、径向基神经网络为次级模型的融合模型预测未来6 h累计降水等级,并应用公平TS评分(Equal Threat Score,ETS)、真实技巧评分(True Skill Statistic,TSS)、混淆矩阵、预报偏差(Bias值)、击中率(Probability of Detection,POD)对预报结果进行检验分析。结果表明:优化变量的输入有利于提高模型的准确率;Catboost模型和融合模型都可以在一定程度上辨别晴雨状况;仅非动力学变量参与的融合模型对雨区预报准确率最高,但容易将暴雨雨区预报得更加广泛。总体而言,融合模型具有更强、更稳定的预报性能,中到暴雨量级预报准确率还待进一步提高。

来源：2022年第5期

《气象科学》期刊编辑部

查看气象科学杂志2022年第5期