典型文献
基于Catboost和Stacking融合模型的长江中下游短时临近降水预报研究
文献摘要：
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.
文献关键词：
机器学习;短时临近预报;长江中下游;降水;融合模型
中图分类号：
作者姓名：
宋慧娟;陈耀登;欧阳霖;陈海琴;高哲凡;孙涛
作者机构：
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
文献出处：
引用格式：
[1]宋慧娟;陈耀登;欧阳霖;陈海琴;高哲凡;孙涛-.基于Catboost和Stacking融合模型的长江中下游短时临近降水预报研究)[J].气象科学,2022(05):569-580
A类：
B类：
Catboost,Stacking,融合模型,长江中下游,降水预报,自动站,CMORPH,降水产品,产品融合,小时降水量,网格数据,预报系统,Global,Forecasting,System,GFS,再分析资料,机器学习特征,特征变量,模型输入,输入数据,径向基神经网络,次级,预测未来,降水等级,Equal,Threat,Score,ETS,True,Skill,Statistic,TSS,混淆矩阵,预报偏差,Bias,击中,Probability,Detection,POD,检验分析,优化变量,辨别,晴雨,雨区,预报准确率,总体而言,更稳,预报性能,暴雨量,短时临近预报
AB值：
0.505927
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。
