典型文献
京津冀站点风温湿要素的机器学习订正方法
文献摘要：
基于线性回归方法、梯度提升回归方法(GBRT方法)、XGBoost方法和堆叠集成学习方法(Stacking方法)4种机器学习方法,采用误差分析建模思路,针对北京城市气象研究院研发的睿图-睿思系统对2020年12月-2021 年11 月所有起报时次未来3～12 h的2m温度、2 m相对湿度、10 m风速以及10 m风向4种气象要素预报,开展京津冀复杂地形下的站点预报误差订正技术研究及试验应用.结果表明:基于预报误差分析构建的4种订正模型中,由于Stacking方法集成了前3种方法的优势,在4个季节的4种气象要素订正中均表现最佳,其他3种单一机器学习方法试验中,XGBoost方法表现最佳,其后依次为GBRT方法、线性回归方法,但均对预报准确率有明显的正向提升效果.总体上,基于机器学习方法构建的预报误差订正模型可有效降低系统原始预报误差,有助于进一步提升复杂地形下站点客观释用产品的预报准确性.
文献关键词：
睿图-睿思;机器学习;XGBoost方法;Stacking方法
中图分类号：
作者姓名：
韩念霏;杨璐;陈明轩;宋林烨;曹伟华;韩雷
作者机构：
中国海洋大学,青岛266100;北京城市气象研究院,北京100089
文献出处：
引用格式：
[1]韩念霏;杨璐;陈明轩;宋林烨;曹伟华;韩雷-.京津冀站点风温湿要素的机器学习订正方法)[J].应用气象学报,2022(04):489-500
A类：
B类：
京津冀,风温,温湿,订正方法,梯度提升,升回,GBRT,XGBoost,堆叠,集成学习方法,Stacking,机器学习方法,误差分析,北京城,城市气象,报时,2m,相对湿度,气象要素,复杂地形下,预报误差,误差订正,方法集成,正中,方法试验,预报准确率,提升效果,基于机器学习,释用
AB值：
0.374026
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
