基于雷达回波数据的降水研究分析

发布时间：2021-08-13 22:17

　　气象中降水的分析与研究一直以来都是一个十分热门的领域。在对降水的研究与分析方面,传统的分析方法主要存在着模型过于复杂,计算过大以及无法充分挖掘利用已有的数据等问题。随着近年来气象数据的爆炸式增长,这些问题也变得愈发严重。本文以辽宁省气象灾害预警中心实际的业务需求为背景,对降水展开了研究与分析,有别于传统的方法,首先从数据方面入手,将所收集到的雷达回波数据进行相应的预处理,从而得到了多层雷达回波反射率数据,随后基于得到的多层雷达回波反射率数据使用机器学习的方法对问题进行研究与分析。在数据的处理方面,本文对现有的雷达回波数据进行充分的利用以及信息的挖掘,根据多普勒气象雷达的工作模式,将其采集到的雷达回波数据进行分解以及去除杂波等操作后,得到了相应的多层雷达回波反射率数据。通过数据的采集时间以及经纬度坐标等信息,将历史降水数据与分解后的雷达回波反射率数据进行整合,随后按照降水量的大小对降水等级进行相应的划分,最终得到了多层雷达回波反射率和降水等级数据集。本文使用LightGBM集成学习算法模型来完成降水的研究与分析工作。首先对得到的多层雷达回波及降水等级数据集进行标准化处理,并将多层雷达回波... 

【文章来源】：沈阳工业大学辽宁省

【文章页数】：55 页

【学位级别】：硕士

【部分图文】：

集成学习的工作模型析Fig.2.1Integratedlearningworkmodel

沈阳工业大学硕士学位论文10（3）可以在不进行特征选择的情况下，处理高维度的数据；（4）在不对数据进行规范化处理的情况下，既可以处理连续型的数据，也可以处理离散型的数据。集成学习的本质是将多个模型进行组合，这就引出了如何将这些弱学习器进行组合的问题。当前集成方法主要分为Bagging、Stacking和Boosting三个种类，接下来对这三种方法分别作出介绍：（1）Bagging即袋装法，也称自助法，此种方法通常使用同质的个体学习器进行组合，然后独立并行的对这些个体学习器进行训练和学习，最后按照平均过程将它们进行组合。此外，进行学习过程中的每个分类器都随机从原来的样本中进行有放回的采样，从而训练得到基模型，每一个得到的基模型都相当于一个决策者，具体的训练过程如图2.2所示。图2.2集成学习bagging方式Fig.2.2Integratedlearningofbagging（2）Stacking即栈方法，此种方法通常使用不同类型的个体学习器，对它们进行并行的训练与学习，最终训练将它们进行组合。此种方法是一种组合多个模型的方法，它主要依托于组合学习器的概念，但是在实际的生产当中，此种方法的使用频率相对较少。在训练过程中将每个个体学习器的输出进行组合，将组合后的结果作为一个特征向量，再次进行重新训练，具体的训练过程如图2.3所示。首先训练出多个不同的模型，然后再以之前训练的各个模型的输出作为输入再次训练一个模型，从而得到一个最终的输出。在实际的使用过程当中，通常以单层的logistic回归作为组合模型。

第2章相关技术理论介绍11图2.3集成学习stacking方式Fig.2.3Integratedlearningofstacking(3)Boosting即提升方法，它由迈克·肯斯提出，是一种用来减小有监督学习中偏差的机器学习算法，该方法中通常使用同质类的个体学习器，进行并行的学习[37]。其组合在一起的不同弱个体学习器之间不再是相互独立的，而是迭代的进行模型拟合，具体的的训练过程如图2.4所示。图2.4集成学习boosting方式Fig.2.4Integratedlearningofboosting


本文编号：3341217