基于多维度特征融合与动态加权的低能见度精细化预测模型研究OA
利用气象站气象要素(温度、湿度、风速、气压等)结合时间序列分解特征、物理过程特征以及高阶交互特征构造多维特征集合,并利用随机森林(Random Forest,RF)和极端梯度提升(Extreme Gradient Boosting,XGBoost)两个集成学习算法建立能见度预测模型,运用动态的权重分配方法优化低能见度(≤1000 m)情况下的预测性能。结果表明:(1)XGBoost模型预测性能优于RF,其平均绝对误差、均方根误差和决定系数分别为221.87 m、346.43 m和0.9977;(2)在低能见度(≤1000 m)条件下,XGBoost模型预测误差在500 m内的样本比例达99.83%;(3)相对湿度、温湿交互项和能见度历史趋势是影响预测的关键因子;(4)模型在晨间和冬季表现最优,0~6 h预报稳定性高,具备良好的业务适用性;(5)相对湿度(RH)、温度(T)和风速(WS)是影响能见度预测的核心气象要素,不同模型对特征的依赖程度存在显著差异。这种基于多维度特征融合、双集成学习建模及动态权重分配的低能见度精细化预测方法计算效率优异,可为复杂气象条件下的精细化能见度预报提供有效技术补充。
邓世有;胡婕;田孟勤;牟思语
开阳县气象局,贵州开阳550300 贵州新气象科技有限责任公司,贵州贵阳550000贵阳市气象局,贵州贵阳550000贵阳市气象局,贵州贵阳550000中国农业大学资源环境学院,北京100081
天文与地球科学
能见度预测机器学习随机森林XGBoost特征工程低能见度
《沙漠与绿洲气象》 2026 (4)
P.136-143,8
贵州省气象局省市联合科研基金项目(黔气科合S-SZ[2024]01)。
评论