典型文献
机器学习对延伸期降水集合预报的订正分析
文献摘要：
为了扩展气象业务中历史预报资料在集合预报产品中的应用性,本文尝试基于机器学习的后处理模型,对欧洲中期天气预报中心(ECMWF)ECMF模式的数值天气预报模式生成的2019年5月—8月历史再预报(训练期)数据进行各模型参数训练,可对2019年5月—8月实时延伸期月降水预报(预报期)进行集合预报分析,均选取华东地区(23.0°N～38.5°N,113.0°E～123.0°E).采用均方根误差和绝对误差插值空间分布对预报订正效果进行评估,通过K-近邻算法(KNN)、Bagging算法、随机森林(RF)、梯度提升回归树(GBRT)、极端随机树(ET)这5种后处理回归模型的预报订正效果的对比表明:5种后处理模型的均方根误差随预报时效的增长呈现波动变化;受地形分布的影响,华东地区的北部均方根误差较小,从空间分布清楚得出,K-近邻算法的订正预报效果最好,对应的平均绝对误差在10～20 mm,其他4种机器学习模型的误差在50～100 mm.
文献关键词：
集合平均;历史再预报;延伸期降水预报;K-近邻算法;机器学习;均方根误差;插值分布
中图分类号：
作者姓名：
陆振宇;孔小翠;张恒德;黄威
作者机构：
南京信息工程大学 电子与信息工程学院,江苏 南京 210044;国家气象中心,北京 100081
文献出处：
引用格式：
[1]陆振宇;孔小翠;张恒德;黄威-.机器学习对延伸期降水集合预报的订正分析)[J].现代电子技术,2022(07):86-91
A类：
ECMF,历史再预报,再预报,延伸期降水预报,插值分布
B类：
水集,集合预报,气象业务,预报产品,基于机器学习,处理模型,ECMWF,数值天气预报模式,月历,训练期,时延,月降水,预报分析,华东地区,预报订正,近邻算法,KNN,Bagging,RF,梯度提升回归树,GBRT,极端随机树,ET,报时,波动变化,地形分布,订正预报,预报效果,平均绝对误差,机器学习模型,集合平均
AB值：
0.290031
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。
