机器学习方法在湖南夏季降水预测中的应用.docxVIP

机器学习方法在湖南夏季降水预测中 的应用 黄超 李巧萍 谢益军 彭嘉栋 摘要利用湖南97个国家站的逐月降水资料、国家气候中心130 项气候指数集以及国家气候中心和美国国家环境预报中心两套季节 预测模式的降水预测资料,采用递归特征消除法确定预测因子并使用 多层前馈神经网络、支持向量回归和自然梯度提升三种算法建立了两 种湖南夏季降水统计预测方案的模型，检验了预测效果。结果说明: 基于机器学习的预测模型对湖南夏季雨型分布有较好的预测能力，两 种统计方案提前1?6mon起报的夏季降水平均距平相关系数分别为 0.15和0.19,相比于NCEP和NCC模式有较大提升，平均PS评分分 别为69. 3和69. 2,高于NCC模式的63. 1,略低于NCEP模式的71. 5； 进一步分析说明，3-5月起报的机器学习模型的预测技巧可能来源 于前冬极地和中高纬环流，12—2月起报的模型预测技巧那么可能来自 海温的前兆信号。 关键词机器学习；夏季降水;预测 湖南地形具有三面环山、南高北低的特点，气候复杂多变，夏季 旱涝转换（李易芝等，2022）,易出现洪涝、干旱等气象灾害。在全 球变暖背景下，湖南夏季极端降水明显增加（周莉等，2022）,因此 进一步提升夏季降水预测水平对湖南防灾减灾具有重要现实意义。 目前降水季节趋势预报主要分为统计学、动力学和动力统计相结 合三类方法。统计方法充分利用历史资料规律，选取有明确物理意义 和显著相关的因子进行建模。范可等（2022）通过前期因子建立统计 因为统计方法更加倾向于预测平均状态，对降水异常级的预测能力不 足。 图6给出了方案一的2022—2022年和方案二的2022—2022年逐 年夏季降水预测ACC和PS评分，可见预测评分表现出明显的年际差 异。两种方案的预测模型在2022、2022、2022、2022年提前1?6mon 起报的平均PS评分均超过70,预测效果较好，对应的ACC评分在上 述年份也较高。相比之下，方案二的平均ACC除2022年为负值，其 余年份均为正值，整体预测技巧高于方案一。众所周知，ENS0是热 带太平洋地区海气系统年际气候变率最强信号（宗海锋等， 2022；Wenelal. , 2022）, ENS0对湖南降水预测有重要指示意义,分 析机器学习模型在ENS0年的预测情况可以进一步了解其预测水平。 2022和2022年为典型的厄尔尼诺衰减年，两种方案在2022年不同 起报时间的预测均有较高的正技巧，平均ACC分别到达0. 37和0. 36, PS评分分别到达79. 8和75. 3,但2022年的预测并不稳定，3月起 报的降水预测为评分较低。从拉尼娜衰减年预测来看，2022和2022 年的预测均有较高的正技巧；整体来看，机器学习建模方法在一定程 度上能够识别ENS0对湖南降水的影响。 4讨论 上述结果说明机器学习方法能够改善湖南夏季降水空间分布的 预测技巧，但机器学习算法通常属于黑箱模型，在解决气候问题时难 以给出合理的物理过程解释，为了能够进一步了解机器学习方法预报 技巧的来源，同时考虑到相近起报月份的预测因子相近，这里仅给出 3月和12月起报的预测因子中前4个模态通过显著性检验的因子（表 4）0可以看出，3月起报模型的前3个模态相关显著的预测因子以前 冬极地和中高纬环流指数为主，第四个模态中的南方涛动和赤道中东 太平洋200hPa纬向风指数均反映与ENSO的高相关性，并且4月和5 月起报的预测因子具有相似特点。12月起报的模型因子第一模态与 前期东亚槽和西太副高位置有显著相关，后3个模态与海温相关显著, 2月和1月起报的预测因子也与海温显著相关。这可能说明，3—5月 起报的模型预报技巧主要来自前冬极地和中高纬环流的信号，而12 月一次年2月起报的模型预报技巧主要来自前期海温，而这些因子如 何影响湖南降水还需要进一步研究。 本文仅考虑了起报时间前3mon的气候因子，相关研究说明湖南 夏季降水与前冬的大气海洋状态有重要联系（李瑜等，2022；赵俊虎 等，2022；高辉等，2022；余荣和翟盘茂，2022；谢傲和罗伯良，2022）, 而5月起报模型的预测因子并未包含整个冬季，本文尝试将预测因子 时间扩大至起报时间前6mon的范围，结果说明5月起报的方案一和 方案二模型对于湖南夏季降水预测的平均ACC分别为0. 12和0. 15, PS分别为65.1和68. 7,效果并不如前者，将其他起报时间的预测因 子范围也扩大至前6mon,整体来看二者的平均ACC分别为0. 16和 0. 17, PS分别为68. 8和69. 1,相比前者也并没有显著的提升，说明 机器学习模型挑选的预测因子也存在一定的局限性，通过简单增加预 测因子数量的方式对于机器学习模型的预测效果并不会有显著的提 升。此外，地形的动力和热