| 梅雨降水季节预测的多方法比较 |
| |
| 引用本文： | 李琳菲,杨颖,朱志伟,王蔚.梅雨降水季节预测的多方法比较[J].大气科学学报,2024,47(2):313-329. |
| |
| 作者姓名： | 李琳菲 杨颖 朱志伟 王蔚 |
| |
| 作者单位： | 南京信息工程大学 气象灾害教育部重点实验室/气候与环境变化国际合作联合实验室/气象灾害预报预警与评估协同创新中心, 江苏 南京 210044;南京信息工程大学 气象灾害教育部重点实验室/气候与环境变化国际合作联合实验室/气象灾害预报预警与评估协同创新中心, 江苏 南京 210044;中国气象科学研究院 灾害天气国家重点实验室, 北京 100086;上海市闵行区气象局, 上海 201199 |
| |
| 基金项目： | 国家自然科学基金资助项目(42088101) |
| |
| 摘 要： | 基于1961—2000年逐月降水观测资料和全球大气再分析资料,分析了6—7月长江中下游(108°～123°E,27°～33°N)梅雨的时空分布特征。通过观测诊断和数值试验确定了影响梅雨异常偏多的3个前期因子:4—5月平均的西北太平洋海平面气压正异常;3月至5月北大西洋海平面气压负变压倾向;1月至4月西伯利亚的2 m温度负倾向。利用这3个具有物理意义的影响因子构建了梅雨季节预测模型,该模型在训练期(1961—2000年)和独立预测期(2001—2022年)均具有显著的预测技巧(相关系数分别为0.79和0.77,均方根误差分别为0.59和0.68)。同时,基于相似的潜在预测因子,对比了利用偏最小二乘回归方法和5种机器学习方法(随机森林、轻量级梯度提升机、自适应提升、类别型特征提升、极端梯度提升)建立的预测模型的技巧。虽然训练期(1961—2000年)偏最小二乘回归和机器学习建模拟合效果更高,但在独立预测期(2001—2022年)上述模型的预测技巧显著降低(相关系数均低于0.44,均方根误差均大于0.93),出现了明显的过拟合问题。本研究强调梅雨的短期气候预测应建立在物理机制基础之上,而使用机器学习方法需谨慎。
|
| 关 键 词： | 梅雨 季节预测 物理经验预测模型 机器学习 |
| 收稿时间： | 2023/12/25 0:00:00 |
| 修稿时间： | 2024/2/23 0:00:00 |
A comparative study of multiple methods for seasonal prediction of Meiyu rainfall |
| |
| LI Linfei,YANG Ying,ZHU Zhiwei,WANG Wei.A comparative study of multiple methods for seasonal prediction of Meiyu rainfall[J].大气科学学报,2024,47(2):313-329. |
| |
| Authors: | LI Linfei YANG Ying ZHU Zhiwei WANG Wei |
| |
| Institution: | Key Laboratory of Meteorological Disaster, Ministry of Education(KLME)/Joint International Research Laboratory of Climate and Environment Change(ILCEC)/Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters(CIC-FEMD), Nanjing University of Information Science and Technology, Nanjing 210044, China;Key Laboratory of Meteorological Disaster, Ministry of Education(KLME)/Joint International Research Laboratory of Climate and Environment Change(ILCEC)/Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters(CIC-FEMD), Nanjing University of Information Science and Technology, Nanjing 210044, China;State Key Laboratory of Severe Weather, Chinese Academy of Meteorological Sciences, Beijing 100086, China; Minhang Meteorological Bureau, Shanghai 201199, China |
| |
| Abstract: | |
| |
| Keywords: | Meiyu seasonal prediction physics-based empirical model machine learning |
|
| 点击此处可从《大气科学学报》浏览原始摘要信息 |
| 点击此处可从《大气科学学报》下载免费的PDF全文 |
|
