典型文献
北京地区体感温度误差订正方法研究
文献摘要：
基于欧洲中期天气预报中心(European Centre for Medium-range weather Forecasts,ECMWF)模式的预报数据和北京地区气象站点的观测数据,使用两种机器学习算法(线性回归和梯度提升回归树)对站点的体感温度进行误差订正,并采用均方根误差(Root Mean Square Error,RMSE)对预报效果进行评估,进一步与传统订正方法模式输出统计(Model Output Statistics,MOS)得到的订正结果进行对比.结果表明:线性回归、梯度提升回归树、MOS和ECMWF预报得到的平均RMSE分别为3.12、3.06、3.45、4.06℃,即机器学习算法明显优于MOS和ECMWF模式原始预报.机器学习订正方法不仅在平原地区取得了较好的效果,在高海拔站点的订正效果更加突出,为北京冬奥会复杂山地条件下赛事正常运行提供了一定的技术保障.
文献关键词：
误差订正;机器学习;体感温度;北京地区;梯度提升回归树
中图分类号：
作者姓名：
武略;焦瑞莉;王毅;夏江江;严中伟;李昊辰
作者机构：
北京信息科技大学信息与通信工程学院,北京100101;国家气象中心,北京100081;中国科学院大气物理研究所,北京100029;中国科学院大学,北京100049;北京邮电大学理科学院,北京100876;北京大学,北京100871
文献出处：
引用格式：
[1]武略;焦瑞莉;王毅;夏江江;严中伟;李昊辰-.北京地区体感温度误差订正方法研究)[J].气象科学,2022(02):261-269
A类：
B类：
北京地区,体感温度,误差订正,订正方法,天气预报,European,Centre,Medium,range,weather,Forecasts,ECMWF,报数,气象站点,观测数据,机器学习算法,梯度提升回归树,Root,Mean,Square,Error,RMSE,预报效果,Model,Output,Statistics,MOS,平原地区,高海拔,北京冬奥会,复杂山地,赛事,技术保障
AB值：
0.336733
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。
