高原气象

作者：叶宇辰,陈海山,朱司光,董寅硕

单位：1. 南京信息工程大学气象灾害预报预警与评估协同创新中心/气象灾害教育部重点实验室，江苏 南京 210044 ","2. 南京信息工程大学大气科学学院，江苏 南京 210044

关键词：机器学习,延伸期预报,夏季降水,土壤湿度

基金：国家自然科学基金基础科学中心项目(42088101)

延伸期预报准确率较低的问题仍然是目前重要的科学难题， 做好延伸期预报对防灾减灾具有重要意义。本文利用机器学习方法开展了中国夏季降水延伸期（5~30天）预报试验， 并探讨了土壤湿度对降水延伸期预报的可能贡献。结果表明机器学习方法的预报结果准确率要比传统线性模型方法有较大改善， 且在诸多机器学习方法中， 以Catboost， Lightgbm和Adaboost三个机器学习模型为最优。进一步分析发现长江流域表层土壤湿度异常导致的蒸发异常和感热异常， 能够引起大气环流和垂直运动异常， 最终对夏季降水产生影响。使用三个最优的机器学习方法的集合计算出模型中各个预报因子的贡献率， 发现在长江流域的延伸期降水中， 局地土壤湿度主要在5~10天占主导作用， 而前期降水主要在10~15天占主导作用， 长江流域20~30天的延伸期降水基本上受到大尺度环流控制。还评估了非局地土壤湿度在延伸期降水中的作用， 发现中南半岛表层土壤湿度主要对15~30天的长江流域延伸期降水有重要贡献。将中南半岛表层土壤湿度加入到东北地区延伸期降水模型中， 发现对该地区延伸期降水预报准确率并无提升作用， 验证了机器学习模型的可用性。该研究为延伸期降水预测以及探究预报因子贡献率提供了一定的参考。

来源：2024年第1期

《高原气象》期刊编辑部

查看高原气象杂志2024年第1期