文献标识码：A
DOI:10.19358/j.issn.2097-1788.2023.11.006
引用格式：杨理智,张栌丹,王俊锋，等.基于机器学习算法的西部方向气候模式预测订正研究［J］.网络安全与数据治理，2023，42（11）：29-34.
0引言
气候预测方法有统计学、动力学和动力统计相结合三类方法。统计学方法由于指数因子过多且各因子相互作用过程复杂，难以基于简单的人工分析把握主要统计要素，因此不确定性较高。动力学方法基于数值预报模式，受初始扰动和大气可预报性影响，气候预测技巧有限，特别是青藏高原地区海拔高且地形复杂，气候动力模式难以精准捕捉气候过程，从而表现出了明显偏差［1-2］。动力统计结合方式为现在主流方式，能弥补统计和动力方法各自的不足，明显提升预测准确度［3-5］。因此，利用统计学方法订正西部方向气候模式，以提升预报准确度是值得探索的一个方向。
近年来，大数据分析挖掘技术——机器学习正腾飞发展，也在对数据关键信息的提取、识别和预测上取得了巨大成就。充分利用大数据分析挖掘技术，优化传统统计预测方法，是提升高原地区气候预测准确度的重要途径。气候预测准确性的影响因子众多，包含不同起报时间的模式场数据以及前期环流特征等，因子数量多、呈现显著的非线性。机器学习算法能够挖掘大数据规律，区别于传统统计方法，它从数据出发进行学习，具有很强的处理非线性问题的能力［6］，能够从地气系统大数据中发现并挖掘分析相互关联信号，提升气候预测技巧［7-8］。
机器学习已经被广泛应用于气候预测中，涌现出大量创新创造性成果［9-11］。机器学习方法常与数值模式融合，Gentine等［11］用神经网络模拟云和对流中热量、水汽的垂直输送以及辐射与云和水蒸气的相互作用，更有效地改进数值模式的模拟性，对气候模式的发展和预测水平的提高带来深远影响。机器学习也被广泛用于订正动力模式偏差，Moghim和Bras［12］使用ANN模型对CCSM3的南美洲北部降水进行订正，效果显著优于线性回归模型；Wang等［13-14］用随机森林、支持向量、贝叶斯模型等工智能模型订正偏差，从而提高动力模式预测水平。机器学习算法对提升气候预测业务水平也有极大的贡献，黄超［15］等采用随机森林挑选因子、多层前馈神经网络、支持向量回归和自然梯度算法建立模型，有效提升了湖南夏季降水的预测能力；邓居昌等［7］用多种机器学习算法构建广西月降水量预测统计订正，结合动力模式方法，极大提升了预测准确率；向波等创造性地将机器学习算法融入多省市的气候预测业务中，成功优化预测效果。
上述研究在气候预测中机器学习算法的应用领域做出了较大贡献，但由于模式表现差、测站少等原因，鲜有研究关注西部方向。因此，本文利用西部方向240个区域站30年观测数据、国内外主流气候模式数据、前期环流特征等大数据样本，基于EOF分解的时间系数，采用信息流算法分析挖掘数据因果特征，运用机器学习算法构建高影响因子集与时间系数的预报模型，以优化模式预报场，最后将模式数据、重构预报数据插值回240个区域站，分析对比模型预报效果，探索基于机器学习算法的气候模式订正方法在西部方向的适用性。
本文下载请点击：基于机器学习算法的西部方向气候模式预测订正研究AET-电子技术应用-最丰富的电子设计资源平台 (chinaaet.com)
作者信息：
杨理智,张栌丹,王俊锋,张帅,严渝昇
（中国人民解放军31308部队，四川成都610031）
