基于机器学习的多气象因子模式预报温度订正模型

发布时间：2023-08-30 04:11

　　地面气温是人们日常生活最关注的气象要素之一,对农业、工业、服务业等领域产生重要的影响。为了提高现有日常预报业务中模式预报温度的准确率,我们基于欧洲中期天气预报中心(ECMWF)的经度为120～130°E,纬度为20～40°N的温度集合控制预报历史资料以及华东地区实况站点温度资料对模式预报温度进行订正。主要包括以下三个方面的研究工作:(1)分析和处理实验数据。在本文中利用均方根误差,绝对误差和温度预报准确率构造的综合评价指标对插值性能进行评价,最终采用克里金插值法将模式预报数据与实际站点温度进行空间上的对应,然后采用小提琴图对插值后的数据进行异常值分析并清洗,得到可靠的实验数据。接着为了充分挖掘模式预报数据与实际温度之间潜在关系,将最高温和最低温相关模式预报特征分别进行多项式扩充构造后续温度订正建模的输入特征;(2)基于传统机器学习的多气象因子模式预报温度订正模型。在第一步多项式特征扩充的基础上,针对最高温和最低温分别采用线性回归,支持向量机,决策树和随机森林分别建立温度订正模型。根据不同相关系数的设置对二、三、四次多项式扩充后的数据进行筛选,分别选取二次扩充后与实际温度相关性在0.2～...

【文章页数】：62 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
1 绪论
    1.1 模式预报介绍
    1.2 机器学习方法研究
    1.3 模式预报温度订正国内外研究现状
    1.4 论文的主要思路和章节安排
2 实验数据处理
    2.1 实验数据介绍
    2.2 模式数据与实况数据对应
        2.2.1 数据时间对应
        2.2.2 数据空间对应
    2.3 实验数据异常值处理
    2.4 多项式特征扩充
    2.5 本章小结
3 基于机器学习的多气象因子模式预报温度订正模型
    3.1 基于机器学习的多气象因子模式预报温度订正模型的建立
    3.2 线性回归温度订正模型
    3.3 基于SVM的温度订正模型
    3.4 决策树温度订正模型
    3.5 基于随机森林的温度订正模型
    3.6 实验结果
        3.6.1 特征扩充前机器学习各方法对比
        3.6.2 最低温数据多项式特征扩充后机器学习各方法对比
        3.6.3 最高温数据多项式特征扩充后机器学习各方法对比
        3.6.4 多项式特征扩充前后机器学习各方法对比
    3.7 本章小结
4 基于深度学习的多气象因子模式预报温度订正模型
    4.1 K-means聚类
    4.2 LSTM建模过程
    4.3 结合注意力机制的建模过程
    4.4 实验结果
        4.4.1 多项式特征扩充前后建模结果比较
        4.4.2 聚类前后建模结果比较
        4.4.3 基于LSTM模型结合注意力机制前后结果比较
        4.4.4 加入注意力机制后LSTM聚类建模比较
    4.5 温度订正结果个例对比图
    4.6 本章小结
5 总结与展望
    5.1 本文的主要工作
    5.2 未来的研究方向
参考文献
攻读硕士学位期间取得的研究进展
致谢



本文编号：3844889