基于多机器学习模型综合集成的丹江口流域中长期降雨预报

摘要

为提升中长期降雨预报精度，以支撑丹江口水库径流预报及南水北调中线工程水资源调度管理，构建基于支持向量机（support vector machine,SVM）和极端梯度提升（extreme gradient boosting,XGBoost）的2个浅层机器学习模型以及基于长短时记忆网络（long short-term memory,LSTM）的深度学习模型，分别校正丹江口流域气候预测系统（climate forecast system,CFS）提供的未来9个月预见期的降雨预报。在此基础上，采用堆叠算法（Stacking）对上述3个模型的结果进行集成，以进一步提升降雨预报校正效果。模型参数估计均采用贝叶斯优化。结果表明：在验证期，相比于CFS原始降雨预报，3种单一机器学习校正模型都能有效改进降雨预报精度，校正后降雨预报的均方根误差(root mean squared error,E_RMS)降低至50.82～52.66，距平符号一致率(anomaly sign consistency rate,R_ASC)提高至72.63%～75.07%，皮尔逊相关系数(Pearson correlation coefficient,r_CC)提高至0.54～0.61。多模型综合集成可进一步提升降雨预报效果，相较于单一校正模型，验证期的E_RMS降低14.94%～17.91%, R_ASC增长5.24%～8.77%,r_CC增长18.03%～33.33%。研究成果有望为丹江口及其他流域中长期降雨预报校正提供借鉴。

关键词

丹江口流域 / CFS降雨校正 / 支持向量机 / 极端梯度提升 / 长短时记忆网络 / 堆叠集成