随机森林算法在人工增雨效果统计检验中的应用研究

摘要

评估人工影响天气的效果通常需通过一定的方法近似求出未作业时的降水量,传统的人工影响天气效果的统计检验方法以线性回归为主,这种方法能够较好地建立目标区和对比区的历史回归方程.但实际上,降水量受多种因素影响,通过历史回归方法无法解决降水量非线性的问题.为解决降水估算中存在的非线性问题,提高降水量估算精度,引入了当下流行的机器学习算法——随机森林算法.使用优选出的多个与降水量相关的预报因子,分别构建了月、日降水估算模型,然后利用江西省南昌市1961-2010年降水数据及环流指数数据,并结合2012-2014年南昌市地面增雨作业信息,验证所建模型估算降水的可行性和人工增雨作业效果统计检验的适用性.结果表明,随机森林模型估算精度较高、泛化能力强,能较准确地估算月、日降水量,对于稳定性降水的估算准确率达90％;但随机森林模型对汛期的月降水量和强对流天气影响下的日降水量估算结果较观测值偏低,有待进一步订正和研究.总体来说,随机森林模型具有精度高、稳定性好、收敛快、不用进行数据预处理、参数少、操作便捷等特性,在综合性能上具有一定优势和可推广性.