基于机器学习的青海省大气加权平均温度模型研究

摘要

为解决目前传统线性关系构建大气加权平均温度（T_m）模型在实际复杂非线性的大气环境中适用性较差的问题，本文利用2014—2019年青海省西宁、格尔木、都兰和玉树四个探空站的探空数据，采用机器学习方法构建区域性大气加权平均温度模型（T_m）。研究引入随机森林（random forest,RF）、极端梯度提升（extreme gradient boosting,XGBoost）和反向传播神经网络（backpropagation neural network,BPNN）三种机器学习算法，并采用贝叶斯优化进行模型参数调优。结果表明：与Bevis线性模型相比，随机森林（RF）模型在2019年验证集中将RMSE平均降低23%，同时显著降低MAE和MAPE，并将R²整体提升至0.96～0.99。以都兰为例，RF的MAE与RMSE由2.545、3.056 K分别降至0.558、0.706 K（降幅分别为78%与77%）,R²由0.891升至0.994，显示出在精度与稳定性上的综合优势。随机森林模型的预测精度显著优于传统线性模型，为提升区域化全球卫星导航系统（GNSS）水汽反演精度提供有力支持。

关键词

大气加权平均温度模型 / 机器学习 / 随机森林 / 全球卫星导航系统