一种基于机器学习的降水预报修正方法及系统技术方案

本申请实施例公开了一种基于机器学习的降水预报修正方法及系统，属于数据处理技术领域，其中，一种基于机器学习的降水预报修正方法，包括：获取目标区域在历史第一周期内的降雨数据集，其中，目标区域包括多个目标监测地点；基于降雨数据集对多个目标监测地点进行聚类，将目标区域分为多个子区域；获取多个目标监测地点在未来第二周期内的原始预测降雨数据；对于每个子区域，确定与子区域对应的至少一个目标动力因子；通过机器学习模型基于原始预测降雨数据及每个子区域对应的至少一个目标动力因子确定多个子区域的修正预测降雨数据，具有提高降水预测的准确度的优点。具有提高降水预测的准确度的优点。具有提高降水预测的准确度的优点。

【技术实现步骤摘要】
一种基于机器学习的降水预报修正方法及系统


[0001]本专利技术主要涉及数据处理
，具体地说，涉及一种基于机器学习的降水预报修正方法及系统。

技术介绍

[0002]在近几十年来国内外已经对气候变化(包括降水)开展了广泛的研究，其已经成为全球性的问题，并成为国内外最为关注的研究热点。全球气候模式(GCMs)，是研究气候变化机理和预测未来气候变化趋势的重要工具，但由于GCM空间分辨率较为粗糙，为了获得更加精细化的区域气候变化情况，需要对其进行降尺度处理，从而更加精确的预测区域降水变化情况。
[0003]目前主要有3种方式，分别为(1)提高GCM模型输出结果精度；(2)将GCM与高分辨率的区域气候模式(RCM)进行嵌套，即动力降尺度方法；(3)建立GCM输出大尺度气象变量与区域气象因子间的统计关系，即统计降尺度方法。
[0004]提高GCM模型精度将导致模型计算量呈指数增长，模型计算及运行需要通过超级计算机来进行相关操作。同时动力降尺度方法计算量大，模拟受收入的边界条件影响，会继承GCMs的误差和不足，同样受局地特征的异质性强迫本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的降水预报修正方法，其特征在于，包括：获取目标区域在历史第一周期内的降雨数据集，其中，所述目标区域包括多个目标监测地点，所述降雨数据集包括所述多个目标监测地点的降雨数据；基于所述降雨数据集对所述多个目标监测地点进行聚类，将所述目标区域分为多个子区域；获取所述多个目标监测地点在未来第二周期内的原始预测降雨数据；对于每个所述子区域，确定与所述子区域对应的至少一个目标动力因子；通过机器学习模型基于所述原始预测降雨数据及每个所述子区域对应的所述至少一个目标动力因子确定所述多个子区域的修正预测降雨数据。2.根据权利要求1所述的一种基于机器学习的降水预报修正方法，其特征在于，所述基于所述降雨数据集对所述多个目标监测地点进行聚类，将所述目标区域分为多个子区域，包括：通过k
‑
means时间序列聚类基于所述降雨数据集对所述多个目标监测地点进行聚类，将所述目标区域分为所述多个子区域。3.根据权利要求1所述的一种基于机器学习的降水预报修正方法，其特征在于，所述对于每个所述子区域，确定与所述子区域对应的至少一个目标动力因子，包括：对于每个所述子区域，从多个动力因子中确定所述子区域对应的至少一个目标动力因子。4.根据权利要求3所述的一种基于机器学习的降水预报修正方法，其特征在于，所述多个动力因子包括垂直热力切变平流参数、垂直螺旋度、二级位涡、水汽垂直螺旋度、质量垂直螺旋度、散度垂直通量、热力散度垂直通量、水汽散度垂直通量、凝结潜热散度的垂直通量、水汽波作用密度、质量波作用密度、凝结潜热质量波作用密度、Q矢量散度、水汽位涡波作用密度、质量位涡波作用密度及热力切变平流参数中的多个。5.根据权利要求1
‑
4任意一项所述的一种基于机器学习的降水预报修正方法，其特征在于，所述机器学习模型为XGBoost（Extreme Gradient Boost，极致梯度提升）降水预测模型。6....

【专利技术属性】
技术研发人员：陈媛，罗玮，杨庚鑫，朱阳，
申请(专利权)人：国能大渡河大数据服务有限公司，
类型：发明
国别省市：