基于机器学习的大气边界层高度预测方法研究

摘要

大气边界层高度受多种气象因素影响，正确掌握大气边界层高度连续变化和演变规律具有重要意义。为解决传统技术手段获取大气边界层高度存在的时空分辨率低、误差偏大等问题，本研究基于机器学习方法——XGBoost,利用2016年1月—2019年5月北京地区长期的地面气象观测、风廓线测风雷达和探空观测数据进行训练，确定算法模型估算大气边界层高度，预测了2019年6月—2020年5月北京地区大气边界层高度。结果表明：在晴朗的白天，模型预测效果最好，与真实观测存在较高的一致性，相关系数达到0.86;夜间预测效果较差。地表温度、相对湿度、风速是对模型预测结果影响最显著的特征。预测的边界层高度呈现显著日变化，日出之后迅速发展，午后逐渐下降，夜间逐渐达到平稳；春夏季北京地区边界层高度日变化较为显著，可达1 km;秋冬季日变化幅度较小，约为700 m。总体上，XGBoost算法预测边界层高度的能力优于多元线性回归算法和支持向量回归算法。基于机器学习的边界层高度估计和预测方法避免了传统手段设置阈值带来的误差，为边界层高度连续观测和预测提供了新思路。

关键词

XGBoost方法 / 机器学习 / 大气边界层高度 / 日变化