气象大数据超短临精准降水机器学习与典型应用

摘要

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.