两种机器学习模型在甘肃小时气温预报中的应用

摘要

数值模式直接输出的预报结果常与观测存在偏差，对数值产品进行有效的本地化订正是提高预报准确率的重要手段。本文基于LightGBM和XGBoost两种机器学习算法，利用2020—2021年CMA-MESO模式产品和甘肃省340个考核站的实况数据，构建了两种逐小时2 m气温的时间滞后订正模型。评估结果表明：1)LightGBM订正模型略优于XGBoost订正模型，两种订正模型预报的逐小时2 m气温准确率分别达74.57%、74.33%,比SCMOC分别提高了27.6%、27.2%,较CMA-MESO模式分别提高了53.5%、53.0%。2)两种订正模型降低了模式对2 m气温日变化的预报偏差，对模式存在的日变化预报偏弱现象有显著改善。3)LightGBM和XGBoost两种订正模型减小了预报系统偏差，较大预报误差出现次数明显减少。

关键词

机器学习 / 小时气温 / LightGBM / XGBoost / 预报性能

基金资助

甘肃省青年科技基金计划项目(22JR5RA751); 甘肃省自然科学基金项目(23JRRA1572); “飞云”青年拔尖人才项目(2425-reex); 甘肃省气象局气象科研重点项目(Zd20284-B·2);甘肃省气象局创新团队项目(GSQXCXTD-2024-01); 中国气象局青年创新团队项目(CMA2024QN04)