-
题名气象大数据超短临精准降水机器学习与典型应用
被引量：9
- 1
-
-
作者
张晨阳
杨雪冰
张文生
-
机构
中国科学院自动化研究所
中国科学院大学
气象大数据与机器学习联合实验室
-
出处
《农业大数据学报》
2019年第1期78-87,共10页
-
基金
国家自然科学基金(61602482
61472423)
-
文摘
超短临精准的降水估计对农业生产、水文监测、洪涝减灾、大型活动、电力系统等方面具有重要意义。由于天气系统具有高度不确定性,传统基于物理模型和统计分析的气象方法在降水估计中难以满足高分辨率条件下的精度要求,如何提升超短临降水估计的精准性在研究和应用领域是极具挑战性的问题。本文提出了基于地形的加权随机森林(terrain-based weighted random forests, TWRF)方法用于雷达定量降水估计(quantitative precipitation estimation, QPE)。该方法可视为随机森林方法的推广,并在此基础上考虑了反射率垂直廓线(vertical profile of reflectivity, VPR)的特征重要性变化以及复杂地形区域降水的山岳抬升效应。对TWRF在中国杭州湾地区Z9571雷达45～100km覆盖范围内2014年6月份和7月份的降水过程上进行了实验验证,结果表明TWRF方法优于传统气象方法及随机森林方法,并表明利用整个VPR与基于地形的建模可以有效提升雷达QPE效果。
-
关键词
气象大数据
定量降水估计
随机森林
机器学习
天气雷达
-
Keywords
meteorological big data
quantitative precipitation estimation
random forests
machine learning
weather radar
-
分类号
S-1
[农业科学]
-
-
题名多源数据融合高时空分辨率晴雨分类
被引量：3
- 2
-
-
作者
匡秋明
杨雪冰
张文生
何险峰
惠建忠
-
机构
中国气象局公共气象服务中心
气象大数据与机器学习联合实验室
中国科学院自动化研究所
-
出处
《软件学报》
EI
CSCD
北大核心
2017年第11期2925-2939,共15页
-
基金
国家自然科学基金(61432008
61532006
+1 种基金
61472423
61305018)~~
-
文摘
高时空分辨率晴雨分类与交通、旅游、农业灌溉及人们日常出行都密切相关,然而"天有不测风云","东边日头西边雨",准确的高时空分辨率晴雨分类是极具挑战性的问题.提出了一种基于多源数据的多视角学习晴雨分类方法,其中,多源数据包括雷达、卫星及地面观测因子及晴雨观测数据.该方法表述如下:首先,依据雷达观测因子构造了Vis CAPPI视角和Vis PPI视角,依据葵花卫星资料构造了Vis Sat视角,依据地面观测因子构造了Vis Ground视角;然后,对这4个视角特征进行组合获得组合视角Vis CAPPI_PPI,Vis Radar_Sat,Vis Radar_Groumd,Vis Sat_Ground,Vis Radar_Sat_Ground,应用随机森林机器学习方法分别对这些视角进行样本学习,获得这些视角的晴雨分类模型;最后,对这些视角晴雨分类模型估计进行融合,获得晴雨分类结果.主要贡献在于:(1)提出了雷达、卫星和地面观测因子多视角构建方法,构建了Vis CAPPI,Vis PPI,Vis Sat和Vis Ground晴雨分类视角及其组合视角;(2)提出了一种多视角方法(multi-view weight random forest,简称MVWRF),能够处理雷达、卫星和地面观测因子多源数据融合晴雨分类问题,提高1km×1km和6min时空分辨率晴雨分类准确率.在2016年10月7日和8日,泉州雷达覆盖的393个气象观测站上进行模型训练和测试,结果显示,该方法能够取得较高的晴雨分类准确率和较低的漏报率、空报率,优于对比方法.
-
关键词
多源数据
随机森林
多视角
晴雨分类
-
Keywords
multi-source data
random forest
multi-view
rain/no-rain classification
-
分类号
TP311
[自动化与计算机技术—计算机软件与理论]
-
