【技术实现步骤摘要】
本专利技术涉及天气预报与灾害预警，具体涉及一种基于集成学习的对台风灾害预报方法及系统。
技术介绍
1、台风是我国东南沿海地区面临的主要气象灾害之一。可带来强降雨、狂风、洪涝等严重危害，对其风雨的准确的及时的预报对防灾减灾事业至关重要。
2、传统数值天气预报模型与双偏振多普勒天气雷达回波进行风场和降雨的测量与预报由于对微物理过程机理认识尚不清楚与雷达、卫星测量降水方法等存在误差，其准确性与时效性达到瓶颈，且耗费大量时间和计算资源。
3、近年来，随着人工智能技术在气象领域的应用兴起，机器学习被广泛应用于各类极端天气的预报。具体而言，通过集成学习方法，能够更全面、准确地预测台风的风雨影响。支持向量机svm的精准分类、长短时记忆神经网络lstm能够捕捉时间序列数据中的长期依赖关系的能力、极致梯度提升树xgboost所具有高效的集成学习机制和对特征的鲁棒性。进一步的，使用堆叠集成将lstm和xgboost组合在一起，可以获得更强大的整体性能为台风风雨预报提供了更高的准确性。这一集成学习模型的优势集合为提升台风风雨预报技术带...
【技术保护点】
1.一种基于集成学习的对台风灾害预报方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于集成学习的对台风灾害预报方法，其特征在于，所述步骤（1）中，台风参数数据包括：台风中心经度、台风中心纬度、气象站台经度、气象站台纬度、气象站台海拔、台风最低气压、台风近中心最大风速；再分析资料包括：西太平洋北纬10°以北，东经 90°至 180°以内；500 hPa高度场的位势高度和纬向风；地面观测数据包括：降水量、风速；根据上述数据的二次计算或直接采用为台风风雨预报模型所配置的参数包括：台风中心经度、台风中心纬度、气象站台经度、气象站台纬度、台风中心与气...
【技术特征摘要】
1.一种基于集成学习的对台风灾害预报方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于集成学习的对台风灾害预报方法，其特征在于，所述步骤（1）中，台风参数数据包括：台风中心经度、台风中心纬度、气象站台经度、气象站台纬度、气象站台海拔、台风最低气压、台风近中心最大风速；再分析资料包括：西太平洋北纬10°以北，东经 90°至 180°以内；500 hpa高度场的位势高度和纬向风；地面观测数据包括：降水量、风速；根据上述数据的二次计算或直接采用为台风风雨预报模型所配置的参数包括：台风中心经度、台风中心纬度、气象站台经度、气象站台纬度、台风中心与气象站台之间的距离、气象站台海拔、台风最低气压、台风近中心最大风速、西太副高强度、西太副高面积、西太副高西伸脊点与西太副高脊线；台风风雨预报模型预报目标参数包括：降水量、风速。
3.根据权利要求1所述的一种基于集成学习的对台风灾害预报方法，其特征在于，所述步骤（1）中，预处理包括：根据台风中心经度、台风中心纬度、气象站台经度和气象站台纬度计算台风中心与气象站台之间的距离，公式如下：
4.根据权利要求1所述的一种基于集成学习的对台风灾害预报方法，其特征在于，所述步骤（2）中，建立台风风雨预报模型包括：svm模块、lstm模块和xgboost模块；具体如下：首先，使用svm进行训练，以判断受台风影响的区域；通过构建分离超平面，识别时序数据中不同区域的受影响与否情况；将svm判断的受影响区域的时序数据输入到lstm中，以高训练轮数来捕获时序数据中的长期依赖关系；然后利用 xgboost通过集成多个决策树，建立复杂的非线性关系；最后，以线性回归为元模型将lstm、xgboost的输出进行堆叠输出。
5.根据权利要求1所述的一种基于集成学习的对台风灾害预报方法，其特征在于，所述步骤（2）中，对模型进行训练具体如下：首先，将历史训练数据集导入台风风雨预报模型后，调整模型参数确定模型最佳性能参数；其次，是利用网格搜索与十倍交叉验证方法结合确定模型最优参数；网格搜索法将遍历预先设定的参数组合，评估参数采用以下公式计算得到：
...【专利技术属性】
技术研发人员：方舟，王路瑶，陈泽昌，何佳信，王伟，杨元建，张文杰，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。