-
基于机器学习的湖北省夏季干旱预测模型构建与检验
王雅君, 罗菊英, 程烈海, 李伟
干旱气象, 2024 42 (5): 670
为构建准确的干旱预测模型，选择具有物理意义的预测因子和采用高效的预测方法至关重要。与传统预测技术相比，机器学习算法因其高效性和可靠性，在气候预测中被广泛应用。本文基于1960—2022年湖北省70个国家气象站逐月气象要素数据，以及国家气候中心与美国国家海洋和大气管理局提供的大气环流和海温指数，采用标准化降水蒸散指数判断是否干旱作为目标变量，运用特征选择方法筛选出11个指数作为输入变量。在此基础上，分别使用分类回归树和随机森林两种机器学习算法，构建了湖北省夏季干旱预测模型。随机选取47 a数据作为训练集，并利用剩余16 a数据作为测试集，对预测结果进行检验。结果表明，分类回归树和随机森林模型对干旱是否发生的预测准确率分别为88%和81%。此外，两种算法建模时均将亚洲纬向环流指数列为最重要的变量，表明该指数在湖北省夏季干旱预测中具有关键作用。通过构建两种机器学习算法预测模型，为湖北省夏季干旱预测提供了客观有效的新思路，对湖北省防旱减灾具有重要意义。
-
贵州省两次气象干旱对比分析及基于机器学习的干旱预测模型建立
王玥彤, 何东坡, 李忠燕, 王烁, 陈早阳
干旱气象, 2024 42 (5): 682
对比分析贵州省主汛期（6—9月）不同干旱事件的特征，有助于提升贵州省短期气候预测技术。基于贵州省84个气象台站降水资料，分析贵州省1981—2023年2次严重干旱事件的时空演变特征，并利用再分析数据揭示事件成因，比较两者差异；同时结合国家气候中心130项气候指数和机器学习方法对贵州省干旱事件进行建模。结果表明，贵州省主汛期降水量呈明显年代际变化特征，2011、2022年在拉尼娜背景下降水最少；2011年贵州省大范围干旱的主要原因是西太平洋副热带高压（简称“西太副高”）偏东及低层南海地区气旋式环流异常，导致水汽条件差；2022年在热带印度洋偶极子负位相影响下，西太副高异常偏大、偏西、偏强，南亚高压偏强、偏东，气温异常偏高，中国南方地区低层为反气旋式环流异常，水汽条件差并伴随持续高温，导致贵州省干旱加剧。通过机器学习的26种算法建立贵州省干旱预测模型，其中Linear SVC模型的预测效果最好，检验评估表明，该模型对贵州省2011、2022年的干旱有较好的预测能力。
-
干旱半干旱区中小流域洪水机器学习预警模型及其应用
苏宏梅, 张楠, 冉新民, 康超
干旱气象, 2024 42 (5): 693
由于对地形地貌特征、临界雨量、汇流时间和重现期等洪水特征因子的认识不足，干旱半干旱地区中小流域的洪水预报准确率有待提高。因此，本文选取甘肃省夏河县（位于半干旱区）和永昌县（位于干旱区）为研究对象，对夏河县（2015年）86个沿河村落的34个小流域和永昌县（2014年）395个沿河村落的240个过水断面的洪水特征要素进行了野外调查，并采用“铁一院”法、瞬时单位线法和地区经验公式法计算了两个区域的汇流时间、设计暴雨和设计洪水，推算了洪水预警值。然后基于计算结果，采用机器学习方法（线性回归、随机森林和神经网络），建立了针对干旱和半干旱地区的洪水预警模型，并对各模型进行了评价分析。结果表明，准备转移雨量与暴雨时程分配、临界雨量和主沟比降之间存在线性相关性，且线性回归模型能较准确地计算预警降雨量。为进一步验证回归模型适用性，使用该模型反演分析甘肃省合作市34个调查流域的准备转移雨量，平均绝对误差仅为0.56 mm。
-
基于多种机器学习算法的风电功率预测融合模型
韩自奋, 陈宁, 范义, 谢志华, 沙莎
干旱气象, 2024 42 (5): 718
风电场发电功率的精确预测对调度部门及时调整发电规划意义重大。利用2020年1月1日—12月31日甘肃酒泉中广核干东风电场的风功率及风塔风速数据，基于多种典型的机器学习算法和单一模型在测试集上表现出的特点，研究K近邻（K-Nearest Neighbor，KNN）、装袋算法（Bootstrap Aggregating，BA）与卷积神经网络（Convolutional Neural Network，CNN）的组合方法，建立融合KNN、BA与CNN的风电功率预测模型。结果表明，单一模型均存在对部分值低值高估的情况，其中多层感知机（Multilayer Perceptron，MLP）、CNN这两种神经网络还存在明显的高值低估现象；BA模型预测精度最高，其在测试集上的均方根误差（Root Mean Square Error， RMSE）为13.08 MW；组合模型均能一定程度上提高单一模型的预测精度，其中CNN组合模型在测试集上RMSE为12.21 MW，比单一模型中最好的BA模型RMSE下降约6. . .
-
卷积神经网络研究进展及其在大气科学中的应用
马敏劲, 陈然, 曹译丹, 张星宇, 李岳彬
干旱气象, 2024 42 (5): 733
随着计算机技术和大数据的进步，深度学习尤其是卷积神经网络已成为处理网格结构大规模数据的主流技术，特别是在计算机视觉领域。卷积神经网络也开始应用于大气科学领域，针对多角度、多尺度的气象数据进行处理。本文综述了卷积神经网络及其在大气科学中的应用进展，总结如下：通过网络深度、宽度的优化和量级压缩，卷积神经网络的准确率和效率显著提升，成为计算机视觉任务的主流技术；卷积神经网络能高效处理气象数据，已应用于气象目标识别、极端事件检测、数值模式改进及干旱气象事件预报等方面，显示出良好的应用前景；卷积神经网络在大气科学中的应用尚处于探索阶段，且面临气象数据复杂、模型结构改进需求和可解释性差等挑战，需深入研究以推动其发展。
-
基于FY-3D/MERSI2的内蒙古草地净初级生产力反演
李彬, 孙小龙, 卢士庆, 王宇宸, 夏宁悦, 韩芳
干旱气象, 2024 42 (5): 743
净初级生产力（Net Primary Productivity，NPP）不仅是估算生态系统固碳释氧、衡量陆地碳循环的主要参数，也是评价生态系统健康状况的主要指标。针对目前国产卫星对草地净初级生产力遥感监测应用较少的情况，本文基于FY-3D/MERSI2资料构建一套内蒙古草地净初级生产力反演模型，结合光能利用率模型与生态过程模型，以遥感数据产品和中国气象局陆面数据同化系统（CMA Land Data Assimilation System，CLDAS）资料为驱动，通过较严格的云检测算法得到晴空条件下内蒙古草地NPP。研究中引入分辨率较高的格点化气象数据，提升了反演结果的精细化程度；同时还基于观测数据及MODIS产品构建了内蒙古草地生育期不同月份（5—8月）地上生物量及光合有效辐射吸收比率（Fraction Photosynthetic Active Radiation Absorption Ratio，FPAR）与归一化植被指数（Normalized Difference Vegetati. . .
