基于机器学习的区域K值精化模型及其应用OA

针对传统水汽转换因子(K值)模型在非线性关系挖掘不足、全球导航卫星系统GNSS(Global Navigation Satellite System)大气可降水量PWV(Precipitable Water Vapor)反演精度提升有限的问题,利用反向传播神经网络BPNN(Back Propagation Neural Network)、极限梯度提升XGBoost(Extreme Gradient Boosting)和粒子群PSO(Particle Swarm Optimization)等机器学习算法,以2013—2017年中国地区54个探空站资料为训练集,构建Emardson-I、Emardson-H(顾及高程)、BPNN、XGBoost和联合PSO-BPNN-XGBoost算法共5种K值模型;并使用2018—2019年未参与训练的6个探空站验证不同K值模型精度。实验结果表明,Emardson-I、Emardson-H、BPNN、XGBoost和PSO-BPNN-XGBoost的K值模型均方根误差(RMSE)分别为0.003165、0.002641、0.002205、0.002384和0.002205,其对应的PWV平均RMSE分别为0.478617、0.396683、0.375567、0.394150和0.385367 mm。整体来看,基于BPNN和PSO-BPNN-XGBoost的K值模型精度最高,可获得优于Emardson模型的PWV反演精度。研究可为气象灾害预警、气候变化监测和地质灾害防治等领域的精细化预报提供基础支撑。