基于機器學習的復雜地形下短期數值天氣預報誤差分析與訂正

作者：任萍,陳明軒,曹偉華,王在文,韓雷,宋林燁,楊璐

摘要：初步研發了一套基于機器學習方法XGBoost且考慮地形特征影響的數值預報多模式集成技術,并與傳統的等權重平均和線性回歸方法的集成效果進行了對比分析。利用北京地區快速更新循環數值預報系統每天8次循環預報給出的近地面2 m溫度、2 m相對濕度、10 m風速、10 m風向數據產品,分別基于機器學習方法XGBoost、等權重平均方法、線性回歸方法構建了3種體現地形因子影響的多模式預報時間滯后集成模型。試驗對比分析了暖季、冷季每日不同時刻的模式預報集成訂正效果。結果表明:分季節試驗中,基于XGBoost模型對2 m溫度、10 m風速的集成預報結果相對原始最優預報結果誤差明顯優于其他兩種傳統方法。XGBoost對2 m溫度集成的誤差可降低11.02%—18.09%,10 m風速集成誤差可降低31.23%—33.22%,10 m風向集成誤差可降低4.1%—8.23%。2 m相對濕度的集成預報誤差與傳統方法接近。基于XGBoost的多模式集成預報模型可以充分“挖掘”不同模式或不同時刻快速更新循環預報優點,有效降低模式的系統性誤差,提供準確性更高的多模式集成確定性預報產品。

發文機構：中國海洋大學 北京城市氣象研究院

關鍵詞：集成數值預報機器學習XGBoost線性回歸等權重IntegrationNumerical predictionMachine learningXGBoostLinear regressionEqual weight

分類號： P456[天文地球—大氣科學及氣象學]