《基于机器学习的中国夏季降水预测》作者：梅平，王磊，殷紫欣，阳志，刘长征【PDF】

书呆熊

基于机器学习的中国夏季降水预测
梅平，王磊，殷紫欣，阳志，刘长征
（1.南京信息工程大学自动化学院，南京210044；
2.江苏省大气环境与装备技术协同创新中心（CICAEET），南京，210044；
3.中国气象局气候研究重点开放实验室，北京100000；
4.国家气候中心，北京100000）
摘要：为提高中国季节性降水预报能力，本研究基于梯度提升决策树算法（GradientBoostingDecisionTree,GBDT），提出了一种新型时间动态机器学习（TimeDynamicmachineleaming，TD-ML.）预报方案，重点解决了模型不稳定性和特征因子复杂性两大难点。研究利用中国160个气象观测站的月降水量数据，选取130个涵盖大气环流、海洋等全球气象要素的气候特征因子作为预测因子对中国夏季降水进行预报。实验表明，动态建模和特征增强均显著提升了预报效果：动态建模使距平相关系数（AnomalyCorrelationCoefficient,ACC）提高50%；特征增强使ACC值提高17%。两者结合后效果更佳，预测评分（PedictiveSore，PS）提升4%，ACC值提高67%。与主流大气环流模式（如SYSTEM5、CFSV2、BCC_CSM1.1）相比，TD-ML方案的PS评分相当或更优，ACC值大幅提升，表现出较强优势。此外，以南京站夏季降水为例，实验表明包含冬季气象因素的起始月能显著提升预报能力，起始月选择对季节降水预报至关重要，未来可进一步验证其在不同地区和季节中的普适性。
关键词：机器学习；季节降水；GBDT；动态建模；特征增强
中图分类号：P457.6