典型文献
基于机器学习方法的辽宁省初霜冻日期预测模型研究
文献摘要：
基于前期ERA5逐月再分析数据,应用3种机器学习算法(Lasso回归、随机森林和神经网络)对辽宁省初霜冻日期进行预测评估.Lasso回归算法提取对初霜冻日期预测有重要指示意义的气象要素特征集,通过交叉验证和超参数调优建立初霜冻日期预测模型,利用均方根误差(RMSE)和距平同号率方法定量定性地评估模型的预测效果.结果表明:特征选择后的气象要素特征集建模提升了模型的泛化能力、可解释性和稳定性;Lasso回归模型在4月起报的预测效果最好(RMSE为6-8 d),神经网络模型在5月起报性能最好(RMSE为6-9 d),随机森林模型在3月起报性能最好(RMSE为8-9 d);辽宁全省大部分站点距平同号率为50％—70％,其中Lasso回归和神经网络模型为5月起报最高(约为68％),随机森林算法为3月起报最高(约为62％).特征选择和敏感性实验结果发现,低植被覆盖比例是初霜冻日期预测关键预测因子,植被覆盖率越高越有利于地表含水量保持,降温容易产生霜冻,初霜冻日期也就越易提前,去掉低植被覆盖比例因子后模型预测效果显著下降,也表明该因子是模型建模的前期关键因子.
文献关键词：
ERA5;机器学习;Lasso回归;随机森林;神经网络
中图分类号：
作者姓名：
王涛;王乙舒;赵春雨;王小桃;秦美欧;沈玉敏;侯依玲;赵建云
作者机构：
沈阳区域气候中心,辽宁沈阳110166;中国气象局沈阳大气环境研究所,辽宁沈阳110166
文献出处：
引用格式：
[1]王涛;王乙舒;赵春雨;王小桃;秦美欧;沈玉敏;侯依玲;赵建云-.基于机器学习方法的辽宁省初霜冻日期预测模型研究)[J].气象与环境学报,2022(04):47-56
A类：
初霜冻日期
B类：
基于机器学习,机器学习方法,ERA5,逐月,再分析数据,机器学习算法,Lasso,预测评估,回归算法,重要指示,指示意义,气象要素特征,征集,交叉验证,超参数调优,RMSE,距平,同号,特征选择,泛化能力,可解释性,随机森林模型,分站,随机森林算法,盖比,预测因子,植被覆盖率,就越,去掉,比例因子,关键因子
AB值：
0.250907
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。
