机器学习方法在湖南夏季降水预测中的应用.docx

《机器学习方法在湖南夏季降水预测中的应用.docx》由会员分享，可在线阅读，更多相关《机器学习方法在湖南夏季降水预测中的应用.docx（20页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、机器学习方法在湖南夏季降水预测中的应用黄超 李巧萍 谢益军 彭嘉栋摘要利用湖南97个国家站的逐月降水资料、国家气候中心130 项气候指数集以及国家气候中心和美国国家环境预报中心两套季节 预测模式的降水预测资料,采用递归特征消除法确定预测因子并使用 多层前馈神经网络、支持向量回归和自然梯度提升三种算法建立了两 种湖南夏季降水统计预测方案的模型，检验了预测效果。结果说明: 基于机器学习的预测模型对湖南夏季雨型分布有较好的预测能力，两 种统计方案提前16mon起报的夏季降水平均距平相关系数分别为 0.15和0.19,相比于NCEP和NCC模式有较大提升，平均PS评分分 别为69. 3和69. 2,高

2、于NCC模式的63. 1,略低于NCEP模式的71. 5； 进一步分析说明，3-5月起报的机器学习模型的预测技巧可能来源 于前冬极地和中高纬环流，122月起报的模型预测技巧那么可能来自 海温的前兆信号。关键词机器学习；夏季降水;预测湖南地形具有三面环山、南高北低的特点，气候复杂多变，夏季 旱涝转换（李易芝等，2022）,易出现洪涝、干旱等气象灾害。在全 球变暖背景下，湖南夏季极端降水明显增加（周莉等，2022）,因此 进一步提升夏季降水预测水平对湖南防灾减灾具有重要现实意义。目前降水季节趋势预报主要分为统计学、动力学和动力统计相结 合三类方法。统计方法充分利用历史资料规律，选取有明确物理意义

3、和显著相关的因子进行建模。范可等（2022）通过前期因子建立统计因为统计方法更加倾向于预测平均状态，对降水异常级的预测能力不 足。图6给出了方案一的20222022年和方案二的20222022年逐 年夏季降水预测ACC和PS评分，可见预测评分表现出明显的年际差 异。两种方案的预测模型在2022、2022、2022、2022年提前16mon 起报的平均PS评分均超过70,预测效果较好，对应的ACC评分在上 述年份也较高。相比之下，方案二的平均ACC除2022年为负值，其 余年份均为正值，整体预测技巧高于方案一。众所周知，ENS0是热 带太平洋地区海气系统年际气候变率最强信号（宗海锋等， 2022

4、；Wenelal. , 2022）, ENS0对湖南降水预测有重要指示意义,分析机器学习模型在ENS0年的预测情况可以进一步了解其预测水平。2022和2022年为典型的厄尔尼诺衰减年，两种方案在2022年不同起报时间的预测均有较高的正技巧，平均ACC分别到达0. 37和0. 36,PS评分分别到达79. 8和75. 3,但2022年的预测并不稳定，3月起 报的降水预测为评分较低。从拉尼娜衰减年预测来看，2022和2022 年的预测均有较高的正技巧；整体来看，机器学习建模方法在一定程 度上能够识别ENS0对湖南降水的影响。4讨论上述结果说明机器学习方法能够改善湖南夏季降水空间分布的预测技巧，但机

5、器学习算法通常属于黑箱模型，在解决气候问题时难 以给出合理的物理过程解释，为了能够进一步了解机器学习方法预报 技巧的来源，同时考虑到相近起报月份的预测因子相近，这里仅给出 3月和12月起报的预测因子中前4个模态通过显著性检验的因子（表 4）0可以看出，3月起报模型的前3个模态相关显著的预测因子以前 冬极地和中高纬环流指数为主，第四个模态中的南方涛动和赤道中东 太平洋200hPa纬向风指数均反映与ENSO的高相关性，并且4月和5 月起报的预测因子具有相似特点。12月起报的模型因子第一模态与 前期东亚槽和西太副高位置有显著相关，后3个模态与海温相关显著, 2月和1月起报的预测因子也与海温显著相关。

6、这可能说明，35月 起报的模型预报技巧主要来自前冬极地和中高纬环流的信号，而12 月一次年2月起报的模型预报技巧主要来自前期海温，而这些因子如 何影响湖南降水还需要进一步研究。本文仅考虑了起报时间前3mon的气候因子，相关研究说明湖南 夏季降水与前冬的大气海洋状态有重要联系（李瑜等，2022；赵俊虎 等，2022；高辉等，2022；余荣和翟盘茂，2022；谢傲和罗伯良，2022）, 而5月起报模型的预测因子并未包含整个冬季，本文尝试将预测因子 时间扩大至起报时间前6mon的范围，结果说明5月起报的方案一和 方案二模型对于湖南夏季降水预测的平均ACC分别为0. 12和0. 15, PS分别为65

7、.1和68. 7,效果并不如前者，将其他起报时间的预测因 子范围也扩大至前6mon,整体来看二者的平均ACC分别为0. 16和 0. 17, PS分别为68. 8和69. 1,相比前者也并没有显著的提升，说明 机器学习模型挑选的预测因子也存在一定的局限性，通过简单增加预 测因子数量的方式对于机器学习模型的预测效果并不会有显著的提 升。此外，地形的动力和热力作用对降水的发生有重要影响，湖南三 面环山的特殊地形是影响湖南区域性降水的因素之一，本文基于大尺 度气候信号构建的模型没有考虑地形因素，对降水异常级预测能力有 限，如何在机器学习模型中加入地形因素的影响还需进一步研究。5结论本文采用机器学习算

8、法筛选预测因子并结合动力模式的降水预报建立了湖南夏季降水预测模型。主要结论如下:采用随机森林算法进行递归特征消除确定预测因子，通过交叉验 证确定最优EOF模态个数后，使用多层前馈神经网络、支持向量回归 以及自然梯度提升分别建模并对预测结果进行集合平均，比拟了两种 方案的预测模型及两套动力模式对于湖南夏季降水的预测性能。评估 结果说明基于机器学习的预测模型对湖南夏季雨型分布有较好的预 测能力，ACC技巧优于动力模式，但对降水异常级的预测不如NCEP 模式，两种方案的预测模型不同起报时间的平均ACC分别为0.15和 0. 19,平均PS评分分别为69. 3和69. 2；并且机器学习建模方法能够 较

9、好地识别ENSO对湖南降水的影响。进一步分析机器学习模型挑选的预测因子与降水关联，3-5月 起报的机器学习模型的预测技巧可能来源于前冬极地和中高纬环流， 12月一次年2月起报的模型预测技巧那么可能来自海温的前兆信号， 由于机器学习的黑箱特点，很难了解这些因子之相互调制的物理过 程，有待通过诊断分析及模式敏感性试验等方法进一步研究。参考文献(References)BreimanL, 2022. RandomForests J. MachineLearning, 45 (1 )： 532.陈永义，俞小鼎，高学浩，等，2022.处理非线性分类和回归问 题的一种新方法(I)：支持向量机方法简介J.应用

10、气象学报，15(3 ) ：345354. ChenYY , YuXD , GaoXH , etal.,2022. Anewmethodfornonlinearclassifyandnonlinearregression I ： introductiontosupportvectormachineJ. JApplMeteor, 15 (3)： 345354. (inChinese).丁一汇，2022.季节气候预测的进展和前景J.气象科技进展，1(3)：1427. DingYH ,2022. ProgressandprospectsofseasonalclimatepredictionJ. Adv

11、 MeteorSciTechnol, 1 (3)： 1427. (inChinese).杜良敏，柯宗建，刘长征，等，2022.基于聚类分区的中国夏季 降水预测模型J.气象，42 (1)： 8996. DuLM, KeZJ, LiuCZ, etal., 2022. SummerprecipitationpredictionmodeIsbasedontheclusterin gregionalizationinChinaJ. MeteorMon ,42 ( 1 ) ：8996.(inChinese).范可，王会军，ChoiYJ, 2022.一个长江中下游夏季降水的物理 统计预测模型J .科学通报，

12、52 (24 )： 29002905. FanK, WangHJ, ChoiYJ, 2022. Aphysicalstatisticalpredictionmodelforsummerprecipitat ioninthemiddleandlowerreachesoftheYangtzeRiverJ. ChinSciBu 11, 52 (24)： 29002905. (inChinese).封国林，赵俊虎，支蓉，等，2022.动力统计客观定量化汛期降 水预测研究新进展J .应用气象学报，24(6)： 656665. FengGL, ZhaoJH, ZhiR,etal.,2022. Recent

13、progressontheobjectiveandquantifiableforecastofs ummerprecipitationbasedondynamicalstatisticalmethodJ. JApp IMeteorSci, 24 (6)： 656665. (inChinese).冯汉中，陈永义，2022.处理非线性分类和回归问题的一种新方 法(II)：支持向量机方法在天气预报中的应用J.应用气象学报， 15(3)：355365. FengHZ , ChenYY ,2022. Anewmethodfornonlinearclassifyandnonlinearregression

14、 II ： applicationofsupportvectormachinetoweatherforecastJ. JAppl Meteor, 15 (3)： 355365. (inChinese).高辉,袁媛，洪洁莉，等，2022.2022年汛期气候预测效果评述及主要先兆信号与应用J .气象,43 (4)： 486494. GaoH, YuanY, HongJL, etal.,2022. 0verviewofclimatepredictionofthesummer2022andtheprecur sorysignalsJ. MeteorMon, 43 (4)： 486494. (inChi

15、nese).HamYG ,KimJH ,LuoJJ ,2022. DeeplearningformultiyearENSOforecastsJ. Nature ,573(7775)： 568572.doi：韩力群，2022.人工神经网络教程M.北京：北京邮电大学出版 社：2936. HanLQ,2022. ArtificialneuralnetworktutorialM. Beijing：BeijingUniversityofPostsandTelecommunicationsPress ：2936.(inChinese).贺圣平，王会军，李华，等，2022.机器学习的原理及其在气候 预测中的

16、潜在应用J.大气科学学报，44 (1)： 2638. HeSP, WangHJ, LiH,etal.,2022. Machinelearninganditspotentialapplicationtoclimatepred ictionJ. TransAtmosSci ,44( 1 ) ：2638.doi ：10. 13878/j. cnki. dqkxxb.20221125001. (inChinese).贾小龙，陈丽娟，李维京，等，2022. BPCCA方法用于中国冬季 温度和降水的可预报性研究和降尺度季节预测J.气象学报，68(3)： 398410. JiaXL , ChenLJ , L

17、iWJ , etal. , 2022. StatisticaldownsealingbasedonBPCCA：predictabilityandapplicationtothewintertemperatureandprecip itationinChinaJ. ActaMeteorolSin,68(3)：398410. (inChinese).柯宗建，张培群，董文杰，等，2022.最优子集回归方法在季节气候预测中的应用J.大气科学,33 (5)： 9941002. KeZJ, ZhangPQ, DongWJ,etal.,2022. Anapplicationofoptimalsubsetre

18、gressioninseasonalclimat epredictionJ. ChinJAtmosSci, 33 (5)： 9941002. (inChinese).李春晖，潘蔚娟，王婷，2022.广东省降水的多尺度时空投影预 测方法J.应用气象学报,29 (2)： 217231. LiCH, PanWJ, WangT, 2022. Amultisealespatialtemporalprojectionmethodformonthlyan dseasonalrainfallpredictioninGuangdongJ. JApplMeteorSci, 29 (2)： 217231. (inC

19、hinese).李易芝，罗伯良，霍林，2022.湖南夏季旱涝转折异常特征分析 J.暴雨灾害，36 ( 4 ) ： 339347. LiYZ , LuoBL , HuoL , 2022. Analysisonanomalouscharacteristicsofthesummerdroughtfl oodtransitionsinHunanJ. TorrentialRainDisasters , 36 ( 4)： 339347. (inChinese).李瑜，李维京，任宏利，等，2022.长江中下游地区冬夏干湿韵 律特征分析J.气象学报，73(3)： 496504. LiY, LiWJ, RenH

20、L, etal., 2022. Analysisofdry/wetrhythmsinwinterandsummerprecipitation soverthemidlowerreachesoftheYangtzeRiverBasinJ. ActaMeteor olSin, 73 (3)： 496504. (inChinese).LeCunY, BengioY, HintonG, 2022.DeeplearningJ. Nature, 521 (7553)： 436444. doi： 10. 1038/naturel4539.刘长征，杜良敏，柯宗建，等，2022.国家气候中心多模式解释 应用集成

21、预测J.应用气象学报，24(6)： 677685. LiuCZ,DuLM, KeZJ, etal., 2022. Multimodeldownsealingensemblepredictioninnationalclima tecenterJ. JApplMeteorSci, 24 (6)： 677685. (inChinese).LiuY,FanK,2022. Anapplicationofhybriddownscalingmodeltoforecastsummerp recipitationatstationsinChinaJ. AtmosRes , 143 ： 1730. doi ： 1

22、0. 1016/j. atmosres. 2022. 01. 024.蛰颖，任宏利，张培群，等，2022.中国夏季降水的组合统计降 尺度模型预测研究J.气候与环境研究，25(2)： 163171. LiuY, RenHL, ZhangPQ,etal.,2022. Applicationofthehybridstatisticaldownscalingmodel insum merprecipitationpredictioninChinaJ. ClimEnvironRes,25(2)： 163171. (inChinese).苗春生，何东坡，王坚红，等，2022.基于C4. 5算法的长江中下

23、游地区夏季降水预测模型研究及应用J.气象科学，37 (2)： 256264. MiaoCS , HeDP , WangJH , etal , 2022. Researchandapplicationofsummerrainfallpredictionmodeli nthemiddleandlowerreachesoftheYangtzeRiverbasedonC4. 5algori JMeteorSci, 37 (2)： 256264. (inChinese).PengT , ZhiXF , JiY , etal , 2022. Predictionskillofextendedrange2m

24、maximumairtemperaturep robabilisticforecastsusingmachinelearningpostprocessingmeth odsJ. Atmosphere, 11 (8)： 823.doi： 10. 3390/atmosl1080823.沈皓俊，罗勇，赵宗慈，等，2022.基于LSTM网络的中国夏季降 水预测研究J.气候变化研究进展，16 (3)： 263275. ShenHJ, LuoY, ZhaoZC,etal., 2022. PredictionofsummerprecipitationinChinabasedonLSTMnetwo rkJ.

25、ClimChangeRes, 16 (3)： 263275. (inChinese).舒建川，蒋兴文，黄小梅，等，2022.中国西南夏季降水预测的 统计降尺度建模分析J.高原气象，38(2)： 349358. ShuJC, JiangXW, HuangXM,etal.,2022. Statisticaldownsealingmodelinganalysisofsummerprecipit ationinsouthwestChinaJ. PlateauMeteor , 38 ( 2 ) ： 349358. (inChinese).孙照渤，谭桂容，赵振国，等，2022.中国东部夏季雨型的人工 神经

26、网络集合预测J.大气科学学报，36 (1)： 16. SunZB, TanGR, ZhaoZG,etal.,2022. EnsemblepredictionofsummerrainfallpatternsoverEasternC hinabasedonartificialneuralnetworksJ. TransAtmosSci,36(1)： 16. doi： 10. 13878/j. enki. dqkxxb. 2022. 01. 001. (inChinese).王启光，封国林，郑志海，等，2022.长江中下游汛期降水优化 多因子组合客观定量化预测研究J.大气科学，35 (2)： 287

27、297. WangQG , FengGL , ZhengZH , etal. , 2022. Astudyoftheobjectiveandquantifiableforecastingbasedono ptimalfactorscombinationsinprecipitationinthemiddleandlower reachesoftheYangtzeRiverinsummerJ. ChinJAtmosSci, 35 (2)： 287297. (inChinese).王予，李惠心，王会军，等，2022. CMIP6全球气候模式对中国 极端降水模拟能力的评估及其与CMIP5的比拟J.气象

28、学报，79(3)： 369386. WangY , LiHX , WangHJ , etal. , 2022. EvaluationofCMIP6modelsimulationsofextremeprecipitatio ninChinaandcomparisonwithCMIP5J. ActaMeteorolSin, 79 (3)：369386. (inChinese).WenN ,LiuZY ,LiuYH ,2022. DirectimpactofElNioonEastAsiansummerprecipitationinthe observationJ. ClimateDyn , 44 (

29、 11/12 ) ： 29792987. doi ： 10.1007/s0038202226052.吴捷，任宏利，张帅，等，2022.BCC二代气候系统模式的季节 预测评估和可预报性分析J.大气科学，41(6)： 13001315. WuJ,RenHL, ZhangS,etal.,2022. Evaluationandpredictabilityanalysisofseasonalpredictio nbyBCCsecondgenerationclimatesystemmodelJ. ChinJAtmosSci , 41 (6)： 13001315. (inChinese).傲，罗伯良，202

30、2.湖南夏季降水与前期北太平洋海温异常的 关系J.气象与环境科学，43 ( 4 ) ： 4957. XieA , LuoBL , 2022. RelationsbetweentheprecedingSSTAinnorthernPacificOcean andsummerprecipitationinHunanJ. MeteorEnvironSci, 43 (4)： 4957. doi： 10. 16765/j. cnki. 16737148. 2022. 04. 007. (inChinese).YimSY ,WangB ,XingW ,2022. Predictionofearlysumme

31、rrainfalloverSouthChinabyaphysic alempiricalmodelJ. ClimateDyn , 43 ( 7/8 ) ： 18831891. doi ： 10.1007/s0038202220223.余荣，翟盘茂，2022.厄尔尼诺对长江中下游地区夏季持续性降 水结构的影响及其可能机理J.气象学报，76 (3)： 408419. YuR, ZhaiPM,2022.TheinfluenceofElNioonsummerpersistentprecipitationstru ctureinthemiddleandlowerreachesoftheYangtzeRi

32、veranditspossi blemechanismJ. ActaMeteorolSin, 76 (3)： 408419. (inChinese).张宇彤，矫梅燕，陈静，2022.基于模式先验信息的贝叶斯集合 降水概率预报试验J.气象,39 (10)： 12331246. ZhangYT, JiaoMY, ChenJ,2022. Bayesianensembleprobabilisticforecastingmodelexperimen tofprecipitationbasedonmodelprioriinformationJ. MeteorMon , 39 (10)： 12331246.

33、 (inChinese).赵俊虎，杨柳，曾宇星，等，2022.夏季长江中下游和华南两类 雨型的环流特征及预测信号J.大气科学，40(6)： 1182n98. ZhaoJH, YangL,ZengYX,etal.,2022. Analysisofatmosphericcirculationandpredictionsignalsfo rsummerrainfallpatternsinSouthernChinaJ. ChinJAtmosSci, 40 (6)： 11821198. (inChinese).周莉，胡瑞卿，李伟，等，2022.湖南省夏季极端降水异常时空 特征及其成因分析J.气象科学，3

34、8(6)： 838848. ZhouL, HuRQ, LiW, etal.,2022. Characteristicsofsummerextremeprecipitationanomalyandt hecauseofconcurrentanomalypatterninHunanProvinceJ. JMeteor Sci, 38 (6)： 838848. (inChinese).宗海锋，陈烈庭，张庆云，2022. ENS0与中国夏季降水年际变化 关系的不稳定性特征J.大气科学，34(1)： 184192. ZongHF,ChenLT, ZhangQY,2022. Theinstabilityo

35、ftheinterannualrelationshipbetweenENSOa ndthesummerrainfallinChinaJ. ChinJAtmosSci, 34 (1 )： 184192.(inChinese). 模型对长江中下游夏季降水年际增量进行预测，显著提高了业务预测 技巧。杜良敏等(2022)针对不同气候分区建立统计模型对我国夏季 降水进行预测。李春晖等(2022)采用时空投影方法建立广东省降水 统计预测方法。Yimetal. (2022)使用统计模型对中国南方夏季降水 进行预测。但由于各预测因子相互作用过程复杂，不同时间尺度的预 测信号不一致，加大了预测的难度。随着数值模

36、式的开展，动力模式 成为气候预测的主要工具，许多国家建立了数值预报模式(丁一汇, 2022 ) o近年来，我国季节预测模式对大气环流、ENS0 (ElNioSouthernOsci 1 lation)现象、亚洲夏季风等的预测能力已有 明显提升(吴捷等，2022),但对降水预测技巧依然有限，特别是对 东亚地区夏季降水的预报技巧相对较低(王予等，2022)o在这样的 现实情况下，专家学者在此基础上开展了动力和统计相结合的预测方 法(封国林等，2022),充分利用历史资料并考虑大气海洋物理机制， 进一步提高了降水预测准确率。柯宗建等(2022)提出了最优子集回 归方法。贾小龙等(2022 )开展了变

37、形典型相关分析(CombinationofEmpiricalOrthogonalFunctionandCanonicalCorre lationAnalysis, BPCCA)方法。舒建川等(2022)在此基础上使用 BPCCA方法在西南地区进行了应用。组合统计降尺度方法(LiuandFan, 2022；刘颖等，2022)也能够提升一定的降水预测技巧。此外，国家 气候中心多模式解释应用集成预测系统(Muitimode1DownsealingEnsemblePredictionSystem, MODES)(刘 长征等，2022 )和动力统计相结合的季节预测系统(ForecastSystemonD

38、ynamicAnalogueCombinedSkiIls, FODAS)(王 启光等，2022)的研发对我国夏季降水预测业务水平提升起到了关键 作用。PredictionofsummerprecipitationinHunanbasedonmachinelea rningHUANGChaol, 2, LIQiaoping3, XIEYijunl, 2, PENGJiadongl, 21HunanC1imateCenter, Changsha410118, China；2HunanKeyLaboratoryofMeteorologicalDisasterPreventionan dReducti

39、on, Changsha410118, China；3CMAEarthSystemModelingandPredictionCentre ( CEMC ), Beijingl00081, ChinaAgainstthebackgroundofglobalwarming,summerextremeprecipitationinHunanhasincreasedsignificantly. Therefore,improvingthepredictionaccuracyofprecipitationisofgreatpract icalsignificancefordisasterpreventi

40、onandmitigationinHunanPr ovince. Usingthemonthlyprecipitationdatafrommeteorologicalst ationsinHunan,theelimateindexsetsfromtheNationalClimateCenter( NCC )andtheprecipitationdatafromthehindcastexperimentsareperform edusingseasonalpredictionmodeIsofNCCandNCEP (NationalCentersforEnvironmentalPrediction

41、) .Therecursivef eaturee1imination(RFE) methodisusedtodeterminethekeyfactors, andtwostatisticalpredictionschemesofsummerprecipitationinHu nanareestablishedbythreealgorithms：multilayerfeedforwardneuralnetwork ( FNN ), supportvectorregression ( SVR ) andnaturalgradientboosting(NGBoost ) .Theresultssho

42、wthatthepredictionmodeIbasedonmachinelearning(ML)hassuperiorabilitytopredictthedistributionpatternofsummerpr ecipitationinHunan. TherespectiveaverageACCskillsofthetwosta tisticalschemeswithleadtimesofIto6monthsare0. 15and0. 19,whichisagreatimprovementcomparedwiththedynamicmodel. Theresp ectiveaverag

43、ePSscoresare69. 3and69. 2,whicharehigherthantheNCCmodel. Thefurtheranalysisindicatesth attheprecedingwinterpolarandmidandhighlatitudelatitudecircu lationmaybethemainpredictabilitysourcesofMLmodelswithleadti mesoflto3months. Finally,thepredictionskillsofmodelswithleadtimesof4to6monthsarelike lyderive

44、dfromtheprecursorysignalofseasurfacetemperature.machinelearning；summerprecipitation；forecastdoi： 10. 13878/j. cnki. dqkxxb. 20220903001(责任编辑：刘菲)20220903 收稿，20221210 接受湖南省气象局研究型业务预报预测专项(XQKJ21C011)；中国气 象局预报员专项(CMAYBY2022087 )；国家重点研发计划工程 (2022YFC1505806)机器学习强调从历史数据中学习规那么，对新数据进行推理和预测。 区别于传统统计方法，机器学习擅长处

45、理非线性问题，利用机器学习 的优势可以从地球系统中发现并提取新的相互关联信号(贺圣平等， 2022)o近年来，机器学习在气象领域的应用越来越广泛，常用的机 器学习算法有支持向量机、贝叶斯算法、神经网络、决策树算法等(冯 汉中和陈永义，2022；孙照渤等，2022；张宇彤等，2022；苗春生等， 2022)0随着计算能力的提高和深度学习理论的开展，以卷积神经网 络(ConvolutionalNeuralNetworks, CNN)和长短期时间记忆网络 (LongShortTermMemory, LSTM)为代表的深度学习方法在气候领域 得到应用，例如CNN算法对ENS0指数的预测技巧超过了主流动

46、力模 式(HametaL , 2022),沈皓俊等(2022)采用的LSTM算法对中国夏 季降水预测评分超过了同期业务模式。湖南夏季降水时空分布不均，影响因子复杂，当前对其机理和预 测的研究还存在短板，动力模式预测水平与业务服务需求存在差距， 有必要利用机器学习的优势进一步提高当地预测水平。考虑到湖南降 水观测资料年份较少，不适合深度学习方法，因此本文采用随机森林 算法进行递归特征消除来挑选预测因子，使用多层前馈神经网络、支 持向量回归和自然梯度提升方法建模，结合动力模式降水预测结果， 建立适用于湖南本地的夏季降水统计预测方法。1资料和方法 1.1数据来源和预处理预报因子资料来源于国家气候中心

47、提供的气候系统监测指数集(下 载 地 址： ：/cmdp. ncccma. net/Monitoring/cn_index_130. php ),共包含 130 项气候系统指数的月平均值。其中大气环流指数88项，主要包括副 高、东亚槽、极涡、欧亚环流型、遥相关、太平洋信风等大气环流指 数。海温指数26项，主要包括厄尔尼诺（各区及类型）、暖池、印度 洋、亲潮区、黑潮区等海温指数。其他指数16项，主要包括冷空气、 台风、南方涛动、北太平洋年代际振荡、准两年振荡、次表层海温等 指数。时间尺度为1980年1月一2022年12月，假设出现缺测，直接 将该因子剔除。美 国 国 家 环 境 预 报 中 心

48、（NationalCentersforEnvironmentalPrediction, NCEP）和国家气 候中心（NationalClimateCenter,NCC）气候预测模式数据来自MODES 系统，空间分辨率均为1 Xl , NCEP模式历史回算时间范围为 19822022年（其中2022年资料缺失），模式气候态取19822022 年，NCC模式历史回算时间范围为19912022年，气候态取 19912022年。分别计算模式不同起报时间的夏季（68月）降水 距平百分率，并采用双线性插值将网格数据插值到站点上。实况夏季 降水资料来自湖南省97个18家站19812022年的观测数据，夏季降 水没有明显的线性趋势，因此未做去趋势处理，直接处理成降水距平 百分率进行分析。样本集共包含19812022年共40a、6个起报时间、10个模态 共计2400个样本（40X6X10）；根据起报时间和模态划分为60个子 样本集，每个子样本集40个