-
题名基于机器学习的大气边界层高度预测方法研究
- 1
-
-
作者
白嘉怡
魏伟
张宏昇
车慧正
-
机构
中国气象科学研究院灾害天气国家重点实验室
陕西省大气探测技术保障中心
中国气象局地球系统数值预报中心
中国气象局地球系统数值预报中心开放实验室
北京大学物理学院大气与海洋科学系气候与海-气实验室
中国气象科学研究院中国气象局大气化学重点开放实验室
-
出处
《大气科学学报》
北大核心
2025年第3期404-416,共13页
-
基金
国家重点研发计划项目(2023YFC3706300)
国家自然科学基金项目(42375185,42175092,91544216)
中国气象科学研究院科技发展基金项目(2022KJ017)。
-
文摘
大气边界层高度受多种气象因素影响,正确掌握大气边界层高度连续变化和演变规律具有重要意义。为解决传统技术手段获取大气边界层高度存在的时空分辨率低、误差偏大等问题,本研究基于机器学习方法--XGBoost,利用2016年1月—2019年5月北京地区长期的地面气象观测、风廓线测风雷达和探空观测数据进行训练,确定算法模型估算大气边界层高度,预测了2019年6月—2020年5月北京地区大气边界层高度。结果表明:在晴朗的白天,模型预测效果最好,与真实观测存在较高的一致性,相关系数达到0.86;夜间预测效果较差。地表温度、相对湿度、风速是对模型预测结果影响最显著的特征。预测的边界层高度呈现显著日变化,日出之后迅速发展,午后逐渐下降,夜间逐渐达到平稳;春夏季北京地区边界层高度日变化较为显著,可达1 km;秋冬季日变化幅度较小,约为700 m。总体上,XGBoost算法预测边界层高度的能力优于多元线性回归算法和支持向量回归算法。基于机器学习的边界层高度估计和预测方法避免了传统手段设置阈值带来的误差,为边界层高度连续观测和预测提供了新思路。
-
关键词
XGBoost方法
机器学习
大气边界层高度
日变化
-
Keywords
XGBoost algorithm
machine learning
planetary boundary layer height
diurnal cycle
-
分类号
P412.13
[天文地球—大气科学及气象学]
-
