留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

几种典型机器学习算法在短临降雨预报分析研究

池钦 赵兴旺 陈健

池钦, 赵兴旺, 陈健. 几种典型机器学习算法在短临降雨预报分析研究[J]. 全球定位系统, 2022, 47(4): 122-128. doi: 10.12265/j.gnss.2022039
引用本文: 池钦, 赵兴旺, 陈健. 几种典型机器学习算法在短临降雨预报分析研究[J]. 全球定位系统, 2022, 47(4): 122-128. doi: 10.12265/j.gnss.2022039
CHI Qin, ZHAO Xingwang, CHEN Jian. Short-term rainfall forecast by several typical machine learning algorithm[J]. GNSS World of China, 2022, 47(4): 122-128. doi: 10.12265/j.gnss.2022039
Citation: CHI Qin, ZHAO Xingwang, CHEN Jian. Short-term rainfall forecast by several typical machine learning algorithm[J]. GNSS World of China, 2022, 47(4): 122-128. doi: 10.12265/j.gnss.2022039

几种典型机器学习算法在短临降雨预报分析研究

doi: 10.12265/j.gnss.2022039
基金项目: 安徽省自然科学基金项目(2208085MD101);安徽省自然科学基金项目(2108085QD171);安徽高校自然科学研究重点项目(KJ2021A0443);安徽理工大学矿区环境与灾害协同监测煤炭行业工程研究中心开放基金(KSXTJC202006);安徽理工大学引进人才科研启动基金项目
详细信息
    作者简介:

    池钦:(1998—),男,硕士,研究方向为GNSS数据处理与GNSS气象学

    赵兴旺:(1982—),男,博士,教授,研究方向为精密单点定位模型及实时应用研究

    陈健:(1993—),男,博士,研究方向为GNSS精密定位与数据处理

    通讯作者:

    赵兴旺 E-mail:xwzhao2008@126.com

  • 中图分类号: P228.4

Short-term rainfall forecast by several typical machine learning algorithm

  • 摘要: 针对降雨过程中大气可降水量(PWV)和气象参数(温度(T)、湿度(U)、露点温度(Td)、气压(P))特征变化情况,提出基于机器学习算法的短临降雨预报模型. 以北京(BJFS)站和武汉(WUH2)站2020年的3 h天顶对流层延迟(ZTD)和气象数据为例,构建随机森林(RF)、支持向量机(SVM)、K近邻(KNN)、朴素贝叶斯分类器(NBC) 4种算法的预报模型,并引入各自时刻的降雨情况作为新的特征向量,分别采用70%和80%训练集的分割方式,降雨情况作为模型输出,并利用准确性、精确率和假负率评价模型的适用性. 在取得准确性约0.92,精确率约80%,假负率约20%的结果下,进一步以时间序列年积日为第150—200天的数据为样本,对200—250天的降雨情况进行预报. 实验结果表明:基于机器学习的短临降雨预报模型可以预报未来3 h 80%以上的降雨情况,且假负率在20%以下,其中SVM模型的综合性能更优. 与传统的阈值模型相比,准确率相当,假负率降低约50%.

     

  • 图  1  随机森林示意图

    图  2  BJFS站2020年降雨量与PWV关系以及7月(年积日第180—210天)降雨量与相关气象参数关系

    图  3  WHU2站2020年降雨量与PWV关系以及7月(年积日第180—210天)降雨量与相关气象参数关系

    图  4  降雨预报模型流程

    图  5  4种预报模型的准确性箱图

    图  6  4种预报模型的精确率箱图

    图  7  4种预报模型的假负率箱图

    图  8  BJFS站的ROC和AUC曲线

    图  9  WUH2站的ROC和AUC曲线

    图  10  BJFS站的PR和AP曲线

    图  11  WUH2站的PR和AP曲线

    表  1  降雨预报混淆矩阵

    实际值预报值
    降雨不降雨
    降雨TPFN
    不降雨FPTN
    下载: 导出CSV

    表  2  BJFS站和WUH2站降雨预报的统计结果

    测站名PWV变化量/mmPWV变化率/(mm·h−1)精确率/%假负率/%
    BJFS2.50.679.266.1
    WUH23.00.883.363.2
    下载: 导出CSV
  • [1] HE Q, ZHANG K F, WU S Q, et al. Real-time GNSS-derived PWV for typhoon characterizations: a case study for super typhoon Mangkhut in Hong Kong[J]. Remote sensing, 2019, 12(1): 104. DOI: 10.3390/rs12010104
    [2] FAYAZ S A, ZAMAN M, BUTT M A. Knowledge discovery in geographical sciences—a systematic survey of various machine learning algorithms for rainfall prediction[C]//International Conference on Innovative Computing and Communications, 2021: 593-608. DOI: 10.1007/978-981-16-2597-8_51
    [3] 王江波. 长短期记忆网络在短临降雨中的应用[D]. 南京: 南京信息工程大学, 2021.
    [4] AHMED K, SACHINDRA D A, SHAHID S, et al. Multi-model ensemble predictions of precipitation and temperature using machine learning algorithms[J]. Atmospheric research, 2020(236): 104806. DOI: 10.1016/j.atmosres.2019.104806
    [5] YANG M X, WANG H, JIANG Y Z, et al. GECA proposed ensemble–KNN method for improved monthly runoff forecasting[J]. Water resources management, 2020, 34(11): 849-863. DOI: 10.1007/s11269-019-02479-2
    [6] LIU S, LIU R, TAN N Z. A spatial improved-KNN-based flood inundation risk framework for urban tourism under two rainfall scenarios[J]. Sustainability, 2021, 13(5): 2859. DOI: 10.3390/su13052859
    [7] HUANG M, LIN R, HUANG S, et al. A novel approach for precipitation forecast via improved K-nearest neighbor algorithm[J]. Advanced engineering informatics, 2017(33): 89-95. DOI: 10.1016/j.aei.2017.05.003
    [8] BOJANG P O, YANG T-C, PHAM Q B, et al. Linking singular spectrum analysis and machine learning for monthly rainfall forecasting[J]. Applied sciences, 2020, 10(9): 3224. DOI: 10.3390/app10093224
    [9] SHI X J, CHEN Z R, WANG H, et al. Convolutional LSTM network: a machine learning approach for precipitation nowcasting[C]//Proceedings of the 28th International Conference on Neural Information Processing Systems, 2015(1): 802-810. DOI: 10.48550/arXiv.1506.04214
    [10] 周永江, 姚宜斌, 颜笑, 等. 融合 GNSS 气象参数的 BP 神经网络雾霾预测研究[J]. 大地测量与地球动力学, 2019, 39(11): 1148-1152.
    [11] 刘洋, 赵庆志, 姚顽强. 基于多隐层神经网络的GNSS PWV和气象数据的降雨预测研究[J]. 测绘通报, 2019(S1): 36-40.
    [12] 赵庆志, 刘洋, 姚顽强. 利用最小二乘支持向量机的短临降雨预测模型构建[J]. 大地测量与地球动力学, 2021, 41(2): 152-156. DOI: 10.14075/j.jgg.2021.02.008
    [13] BYUN S H, BAR-SEVER Y E. A new type of troposphere zenith path delay product of the international GNSS service[J]. Journal of geodesy, 2009, 83(3): 367-373. DOI: 10.1007/S00190-008-0288-8
    [14] HUANG S, HUANG M M, LYU Y J. An improved KNN-based slope stability prediction model[J]. Advances in civil engineering, 2020(11): 1-16. DOI: 10.1155/2020/8894109
    [15] WANG H, ASEFA T, SARKAR A. A novel non-homogeneous hidden Markov model for simulating and predicting monthly rainfall[J]. Theoretical and applied climatology, 2021, 143(7): 627-638. DOI: 10.1007/s00704-020-03447-2
    [16] 姚宜斌, 赵庆志, 李祖锋, 等. 基于全球导航卫星系统资料的短时降水预报[J]. 水科学进展, 2016, 27(3): 357-365. DOI: 10.14042/j.cnki.32.1309.2016.03.003
  • 加载中
图(11) / 表(2)
计量
  • 文章访问数:  290
  • HTML全文浏览量:  77
  • PDF下载量:  49
  • 被引次数: 0
出版历程
  • 收稿日期:  2022-03-21
  • 网络出版日期:  2022-07-20

目录

    /

    返回文章
    返回