典型文献
基于机器学习的韶关地区短期日平均气温研究
文献摘要：
利用1965-2017年韶关地区8个站点的日平均气温观测资料,发现将过去连续7 d的日平均气温分别作为逐步多元线性回归、LightGBM(light gradient boosting machine)以及BP-NN(back propagation neural network)算法(机器学习)的自变量可最准确地预报出未来1～3 d的日平均气温.据此分别构建了三种短期气温预报模型,并系统地探讨了其适用性.主要结果如下:(1)三种模型的预报准确度均较高,机器学习方法在预报正确率(绝对误差(absolute error)小于2℃的天数占比)、相关系数(R)和平均绝对误差(mean absolute error,MAE)上均要优于逐步多元线性回归法.其中LightGBM的预报效果最优,其1～3 d的预报正确率分别为84.38％、69.86％、61.37％,对应预报值与测量值之间的R分别为0.98、0.94、0.93,MAE分别为1.17、1.76、2.00℃.(2)冬春季、秋冬季日平均气温较大的波动性是导致该时期三种模型MAE总体偏大的主要因素,但LightGBM仍具有最优的预报稳定性,其绝对误差的方差最低.
文献关键词：
机器学习;气象业务;短期预报;气温
中图分类号：
作者姓名：
罗威;罗烨泓;王威
作者机构：
兴宁市气象局,广东兴宁 514500;韶关市气象局,广东韶关 512028;深圳市气象局,广东深圳 518000
文献出处：
引用格式：
[1]罗威;罗烨泓;王威-.基于机器学习的韶关地区短期日平均气温研究)[J].陕西气象,2022(06):21-25
A类：
B类：
基于机器学习,韶关地区,期日,日平均气温,观测资料,逐步多元线性回归,LightGBM,light,gradient,boosting,machine,NN,back,propagation,neural,network,报出,气温预报模型,机器学习方法,absolute,error,数占,平均绝对误差,mean,MAE,多元线性回归法,预报效果,报值,测量值,冬春季,秋冬季,波动性,偏大,气象业务,短期预报
AB值：
0.368759
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。
