[发明专利]一种主客观降水预报的机器学习融合方法

说明书

本发明实施例公开了降水预报技术领域的一种主客观降水预报的机器学习融合方法，包括如下步骤：S1、对数值模式确定性预报历史资料进行整编，得到长度不小于一年的降水以及相关物理量的标准化数据集Q1；S2、对数值模式集合预报历史资料进行整编，得到长度不小于一年的全集成员降水预报标准化数据集Q2；S3、通过CIMISS数据接口获取长度不小于一年的自动观测站实况降水资料，并整编为标准化数据集Q3。本发明通过建立降水空间分布与数值模式降水及相关产品之间数学模型的方法，解决丢失数值模式降水特征，缺少物理意义的问题。通过重构整个降水空间场内的降水分布特征，解决融合边界处降水量不连续的问题。

技术领域

本发明实施例涉及降水预报技术领域，尤其涉及一种主客观降水预报的机器学习融合方法。

背景技术

现有的主客观降水预报融合方案主要采用反距离权重插值方法实现，该方法在主客观降水量级相同的区域内不做改变，而在其存在差异的部分采用计算格点与两者落区边缘之间距离差异的方式得到该区域内的具体降水数值。其主要缺点如下：

1、在融合区域丢失了原有数值模式降水的空间分布特征，缺少物理意义；

2、在融合区域边界处容易出现降水量不连续的现象；

3、当空间分辨率过高即格点数过多时，插值计算效率较低，运算时间过长。

基于此，本发明设计了一种主客观降水预报的机器学习融合方法，以解决上述问题。

发明内容

本发明实施例提供一种主客观降水预报的机器学习融合方法，以解决背景技术中提及的技术问题。

本发明实施例提供一种主客观降水预报的机器学习融合方法。在一种可行的方案中，包括如下步骤：

S1、对数值模式确定性预报历史资料进行整编，得到长度不小于一年的降水以及相关物理量的标准化数据集Q1；

S2、对数值模式集合预报历史资料进行整编，得到长度不小于一年的全集成员降水预报标准化数据集Q2；

S3、通过CIMISS数据接口获取长度不小于一年的自动观测站实况降水资料，并整编为标准化数据集Q3；

S4、比对标准化数据集Q1、Q2和Q3，剔除任一数据不齐全时段，将得到相同时段内的规整数据集建立模型；

S5、分析筛选出指定数量的与降水空间分布特征关系相关联的重要性预报因子，并进入模型构建阶段；

S6、通过机器回归方案学习，构建降水空间分布特征与数值模式预报因子之间的关系，并建立预报模型；

S7、通过主管降水落去预报提起相关降水量级等值线数据；

S8、根据降水空间分布特征模型在不同等值线区域内重构与主观降水落区相符的降水格点场；

S9、融合各降水量级格点场，得出主客观融合预报结果。

本发明实施例提供一种主客观降水预报的机器学习融合方法。在一种可行的方案中，所述S1中相关物理量包括涡度信息、散度信息、水汽通量信息以及不同高度水汽信息。

本发明实施例提供一种主客观降水预报的机器学习融合方法。在一种可行的方案中，所述S1中的标准化数据集为统一空间分辨率的点格数据形式。

本发明实施例提供一种主客观降水预报的机器学习融合方法。在一种可行的方案中，所述S5中筛选预报因子的方法为随机森林法。

本发明实施例提供一种主客观降水预报的机器学习融合方法。在一种可行的方案中，所述S6中机器回归方案学习包括GBDT回归方案学习和ADABOOST回归方案学习中的其中一种。

基于上述方案可知，本发明的有益效果为，