基于机器学习的中国区域降水相态识别方案OA

降水相态的准确识别对水热平衡、水文循环及冰冻圈过程的模拟具有重要意义。为提升中国区域降水相态的识别精度,基于中国地面气候资料日值数据集,比较了5种降水相态识别机器学习方法在传统方法难以准确识别的温度区间([-7℃,10℃])的表现。结果显示,MLP(Multilayer Perceptron,多层感知器)方法在中国区域的降水相态识别中表现突出,测试集的整体识别准确率为88.1%,较传统方法提高了4.4个百分点。青藏高原区域的识别准确率达91.4%,较传统方法提升了12.8个百分点。MLP模型显著提高了雨和雨夹雪的识别精度,尤其是在雨、雨夹雪较多的青藏高原东部和中南地区。MLP的识别性能受雨和雪样本分布的影响,对南方雨与北方雪的识别误差较小。分析显示,包含温度、湿度与气压信息的湿球温度对MLP模型的影响最大,降水量对雨夹雪的识别概率也具有重要影响。同时,MLP能够有效再现降水相态对海拔和相对湿度依赖的观测特征,包括降水相态划分温度阈值随海拔升高而升高的趋势,以及雨夹雪发生概率随相对湿度增大而提高的规律,在反映关键物理特性方面具有一定的可解释性。总体而言,基于MLP的机器学习方法显著提升了中国区域降水相态的识别精度,可以服务于水文与冰冻圈过程的理解与模拟。