文档名：机器学习中混合特征选择对模式预报广西春夏气温的订正研究
摘要：针对机器学习中单一特征选择方法性能不优良,结果稳定性差的问题,提出Spearman相关系数和XG-Boost特征重要性混合的特征选择方法(SpearmanXgb),并结合RF、XGBoost和LightGBM3种机器学习算法对ECM-WF模式预报的广西春夏近地面2m气温进行订正.结果表明:(1)混合特征选择方法在训练时间和均方根误差两方面,均优于单一的Spearman相关系数和XGBoost特征重要性特征选择方法,即训练时间减少19.7%和10.3%,均方根误差下降0.94%和0.64%.(2)3种模型预测的气温平均均方根误差相比模式分别下降了7.04%、7.47%和7.37%;预报前期(24～96h)XGBoost的预报效果较好,预报中后期(120～240h)LightGBM的预报效果较好.(3)由于广西东南部和东北部地形以山地、丘陵为主,地形较复杂,且易受台风、华南前汛期等复杂天气过程影响,气温变化幅度较大,ECMWF模式和3种机器学习模型对这两个地区的预报误差都较高.(4)利用SHAP值分析模型结果对各特征取值幅度的敏感程度,检验表明更准确的入选特征可不同程度降低模型的RMSE,为改善ECMWF模式预报效果提供了思路.
作者：李德伦 肖志祥 谢宁新 龚荣 Author：LIDelun XIAOZhixiang XIENingxin GONGRong
作者单位：广西民族大学电子信息学院,广西南宁530000广西壮族自治区气象科学研究所,广西南宁530022广西民族大学人工智能学院,广西南宁530000
刊名：成都信息工程大学学报
Journal：JournalofChengduUniversityOfInformationTechnology
年，卷(期)：2023, 38(5)
分类号：P457.3
关键词：大气科学 温度预报 机器学习 混合特征选择 2m气温订正
Keywords：atmosphericscience temperatureforecast machinelearning hybridfeatureselection 2mtemperaturecor-rection
机标分类号：P456TP391TM621.2
在线出版日期：2023年10月31日
基金项目：国家自然科学基金，广西重点研发资助项目，广西气象局科研计划资助项目机器学习中混合特征选择对模式预报广西春夏气温的订正研究[
期刊论文] 成都信息工程大学学报--2023, 38(5)李德伦 肖志祥 谢宁新 龚荣针对机器学习中单一特征选择方法性能不优良,结果稳定性差的问题,提出Spearman相关系数和XG-Boost特征重要性混合的特征选择方法(SpearmanXgb),并结合RF、XGBoost和LightGBM3种机器学习算法对ECM-WF模式预报的广西春夏...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
机器学习中混合特征选择对模式预报广西春夏气温的订正研究 A Study on the Adjusting Spring and Summer Surface Air Temperature of ECMWF Model by a Hybrid Feature Selection Method in Machine Learning of Guangxi
机器学习中混合特征选择对模式预报广西春夏气温的订正研究.pdf
- 文件大小:
- 2.71 MB
- 下载次数:
- 60
-
高速下载
|
|
