基于STPM-XGBoost模型的降水预测方法技术

本发明专利技术公开一种基于STPM

【技术实现步骤摘要】
基于STPM
‑
XGBoost模型的降水预测方法


[0001]本专利技术涉及降水预测
，特别是涉及一种基于STPM
‑
XGBoost模型的降水预测方法。

技术介绍

[0002]次季节预报（10
‑
30天）作为天气预报（10天以内）和短期气候预测（30天以上）之间的桥梁，既是大气的初始化问题，同时也是天气系统的边界耦合问题。因为大气的混沌特性，其初始信息的贡献在次季节尺度上已很大程度地衰减，然而陆面、海洋等下垫面信号的作用却还显现得不够充分，使得次季节预报被称为“可预测性沙漠”。然而两周至两月的次季节降水预报，尤其是对极端降水的准确预报，却是防灾减灾建设至关重要的环节之一。目前，季节性预测中最常用的工具是全球气候模型，其中代表了海洋
‑
冰
‑
陆地
‑
大气气候系统中许多高度复杂的动力学过程，受限于计算机性能以及数据同化的发展，数值模式预报缓慢。

技术实现思路

[0003]本专利技术的目的是提供一种基于STPM
‑
XGBoost模型的降水预测方法及系统，以提高次季节预报的速度。
[0004]为实现上述目的，本专利技术提供了如下方案：
[0005]本专利技术提供一种基于STPM
‑
XGBoost模型的降水预测方法，所述方法包括如下步骤：
[0006]对预报因子历史数据和目标站点的历史降水量进行最大滞后相关性分析，获取每个预报因子和目标站点的降水量相关的格点作为相关格点，并确定每个预报因子的每个相关格点的固定滞后期；预报因子的相关格点的固定滞后期为在所述相关格点的所述预报因子和目标站点的降雨量的最大相关系数对应的滞后期；
[0007]基于每个预报因子的每个相关格点的固定滞后期，计算每个预报因子的每个相关格点的最优预报时次；
[0008]基于每个预报因子的每个相关格点的最优预报时次的实测量，采用STPM预报模型，确定每个预报因子影响的目标站点的预测时次的投影系数；
[0009]基于XGBoost模型对每个预报因子影响的目标站点的预测时次的投影系数进行非线性集成，获得预测时次的降水预报量。
[0010]可选的，基于每个预报因子的每个相关格点的固定滞后期，计算每个预报因子的每个相关格点的最优预报时次的公式为：
[0011]；
[0012]其中，为第j个预报因子的相关格点的最优预报时次，为预测时次，为第j个预报因子的相关格点的固定滞后期。
[0013]可选的，基于每个预报因子的每个相关格点的最优预报时次的实测量，采用STPM预报模型，确定每个预报因子影响的目标站点的预测时次的投影系数，具体包括：
[0014]将每个预报因子的每个相关格点的最优预报时次的实测量投影到协方差上，获得每个预报因子影响的预测时次的投影系数为：
[0015]；
[0016]其中，为第j个预报因子影响的预测时次的投影系数，为第j个预报因子的相关格点的耦合系数，为第j个预报因子的相关格点的最优预报时次的实测量。
[0017]可选的，基于每个预报因子的每个相关格点的最优预报时次的实测量，采用STPM预报模型，确定每个预报因子影响的目标站点的预测时次的投影系数，之前还包括：
[0018]确定每个预报因子的每个相关格点的耦合系数为：
[0019]；
[0020]其中，为第j个预报因子的相关格点的耦合系数，为训练集中第i个训练样本中的预测时次，为训练集中第i个训练样本中的目标站点在预测时次的降雨量，为训练集中第i个训练样本中的第j个预报因子的相关格点的最优预报时次的实测量，n表示训练样本的数量。
[0021]可选的，基于XGBoost模型对每个预报因子影响的目标站点的预测时次的投影系数进行非线性集成，获得预测时次的降水预报量为：
[0022]；
[0023]其中，为预测时次的降水预报量，为第j个预报因子影响的预测时次的投影系数，J为预报因子的数量，为XGBoost模型。
[0024]一种基于STPM
‑
XGBoost模型的降水预测系统，所述系统应用于上述的方法，所述系统包括：
[0025]最大滞后相关性分析模块，用于对预报因子历史数据和目标站点的历史降水量进行最大滞后相关性分析，获取每个预报因子和目标站点的降水量相关的格点作为相关格点，并确定每个预报因子的每个相关格点的固定滞后期；预报因子的相关格点的固定滞后期为在所述相关格点的所述预报因子和目标站点的降雨量的最大相关系数对应的滞后期；
[0026]最优预报时次确定模块，用于基于每个预报因子的每个相关格点的固定滞后期，计算每个预报因子的每个相关格点的最优预报时次；
[0027]预测模块，用于基于每个预报因子的每个相关格点的最优预报时次的实测量，采用STPM预报模型，确定每个预报因子影响的目标站点的预测时次的投影系数；
[0028]集成模块，用于基于XGBoost模型对每个预报因子影响的目标站点的预测时次的投影系数进行非线性集成，获得预测时次的降水预报量。
[0029]一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的方法。
[0030]一种计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被执行时实现上述的方法。
[0031]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0032]本专利技术实施例提供一种基于STPM
‑
XGBoost模型的降水预测方法，本专利技术使用STPM预报模型，考虑了大尺度信号时空演变与目标降水之间的关系，而XGBoost模型可以提取降水与其协变量的非线性关系，且具备并行运算的能力。针对不同预报因子，以STPM为基础设计不同的目标站点的STPM预报模型，进行次季节降水预报，然后采用XGBoost模型对所有STPM预报模型的输出进行非线性集成，优化预报结果，本专利技术通过构建的STPM预报模型进行预报，并应用XGBoost模型进行集成，无需复杂的动力学建模及分析，提高了次季节预报的速度。
附图说明
[0033]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0034]图1为本专利技术实施例提供的基于STPM
‑
XGBoost模型的降水预测方法的流程图；
[0035]图2为本专利技术实施例提供的基于STPM
‑
XGBoost模型的降水预测方法的原理图；
[0036]图3为本专利技术实施例提供的最大滞后相关性分析的原理图；
[0037]图4为本专利技术实施例提供的STPM本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于STPM
‑
XGBoost模型的降水预测方法，其特征在于，所述方法包括如下步骤：对预报因子历史数据和目标站点的历史降水量进行最大滞后相关性分析，获取每个预报因子和目标站点的降水量相关的格点作为相关格点，并确定每个预报因子的每个相关格点的固定滞后期；预报因子的相关格点的固定滞后期为在所述相关格点的所述预报因子和目标站点的降雨量的最大相关系数对应的滞后期；基于每个预报因子的每个相关格点的固定滞后期，计算每个预报因子的每个相关格点的最优预报时次；基于每个预报因子的每个相关格点的最优预报时次的实测量，采用STPM预报模型，确定每个预报因子影响的目标站点的预测时次的投影系数；基于XGBoost模型对每个预报因子影响的目标站点的预测时次的投影系数进行非线性集成，获得预测时次的降水预报量。2.根据权利要求1所述的基于STPM
‑
XGBoost模型的降水预测方法，其特征在于，基于每个预报因子的每个相关格点的固定滞后期，计算每个预报因子的每个相关格点的最优预报时次的公式为：；其中，为第j个预报因子的相关格点的最优预报时次，为预测时次，为第j个预报因子的相关格点的固定滞后期。3.根据权利要求1所述的基于STPM
‑
XGBoost模型的降水预测方法，其特征在于，基于每个预报因子的每个相关格点的最优预报时次的实测量，采用STPM预报模型，确定每个预报因子影响的目标站点的预测时次的投影系数，具体包括：将每个预报因子的每个相关格点的最优预报时次的实测量投影到协方差上，获得每个预报因子影响的预测时次的投影系数为：；其中，为第j个预报因子影响的预测时次的投影系数，为第j个预报因子的相关格点的耦合系数，为第j个预报因子的相关格点的最优预报时次的实测量。4.根据权利要求1所述的基于STPM
‑
XGBoost模型的降水预测方法，其特征在于，基于每个预报因子的每个相关格点的最优预报时次的实测量，采用STPM预报模型，确定每个预报因子影响的目标站点的预测时次的投影系数，之前还包括：确定每个预报因子的每个相...

【专利技术属性】
技术研发人员：莫振龙，方立坚，蒋士林，陆荣秀，
申请(专利权)人：华东交通大学，
类型：发明
国别省市：