Page 59 - 《高原气象》2026年第5期
P. 59

5 期               王卓元等:基于梯度提升机器学习算法的黄河源区降水反演模型及应用研究                                        1275
               空间分布均匀、 时间序列完整的格点降水数据(刘                           误差的同时避免了过度拟合的问题; Wang et al.
               少军等, 2021)。                                      (2024)利 用 RF、 LightGBM、 极 端 梯 度 提 升 算 法
                   随着第一颗静止气象卫星的发射, 早在 20 世                      (eXtreme  Gradient  Boosting,  XGBoost)等 集 成 模
               纪 70 年代科学家们已开展了基于静止卫星数据反                          型, 实现了风云卫星数据的高效降水模拟, 在决策
               演降水的工作。早期研究提出的地球同步环境卫                             树类型的模型中 XGBoost 的拟合程度和模拟误差
               星(Geostationary  Operational  Environmental  Satel‐  方面表现最优。XGBoost算法既有优于神经网络算
               lite, GOES)降水指数法, 通过建立红外辐射与降水                     法的计算速度, 又有比各类决策树算法更强的抗拟
               的统计关系实现定量估算(Arkin, 1979); 陈利群等                    合能力。尽管机器学习算法在卫星反演降水领域
              (2006)进一步结合多元回归模型, 优化了黄河源区                         得到飞速发展和广泛应用, 但针对黄河源区的机器
               的降水反演精度。传统算法依赖经验统计关系, 面                           学习降水反演模型应用研究仍存在显著不足, 在黄
               对多源、 多通道的海量卫星数据时, 普遍存在计算                          河源区算法的适用性和精度还需验证。
               效率低、 非线性特征捕捉能力不足等问题, 难以满                              本研究聚焦黄河源区降水资料稀缺的难题, 目
               足高精度反演需求。然而, 机器学习算法在处理多                           的是结合风云四号 A 星(FY-4A)的高时空分辨率数
               源异构数据、 提升计算效率与模型泛化性方面具有                           据与机器学习算法, 通过融合多通道卫星特征, 构
               显著优势, 显著提升了复杂气象过程的模拟能力,                           建高精度降水反演模型, 预期可提升复杂地形下降
               为突破传统算法瓶颈提供了可能。例如, 夏双等                            水反演的时空分辨率与准确率, 为黄河源区的气象
              (2013)基于神经网络在藏北地区构建卫星降水估                           研究及灾害预警提供可靠数据支撑。
               算模型, 结果表明人工神经网络能较好反应降水特                           2  研究区域
               征的非线性规律, 但存在结果系统性的偏小问题;
               官莉和钟宇璐(2023)使用随机森林算法(Random                           黄河源区地处青藏高原东北部, 是唐乃亥水
               Forest, RF), 用风云卫星亮度温度(Brightness Tem‐            文 站以上黄河干流的核心区域, 地理范围介于
               perature, BT)和反照率数据作为特征变量反演中国                     95°30′E -103°30′E、 32°10′N -36°05′N(图 1), 地
               范围内降水, 模型拟合程度高但在对极端降水情况                           势起伏较大, 气候寒冷并且持续时间长, 海拔均处
               反演时误差明显增大; Liu et al.(2023)基于轻量级                  于 3000 m 以上, 下垫面主要由沼泽, 草甸、 湖泊湿
               梯 度 提 升 机 器 学 习 算 法(Light Gradient Boosting       地和冻土等构成(王欢和李栋梁, 2013)。文中所涉
               Machine, LightGBM)融合多通道亮温特征, 实现对                  及的地图均基于国家测绘地理信息局标准地图服
               青藏高原强降水带的监测, 利用该算法在降低模型                           务网站下载的审图号为 GS(2024)1158 的中国地图





























                                            图1 黄河源区位置和海拔及气象观测站点分布
                                    Fig. 1 Location and elevation of the Source Region of the Yellow River,
                                                and distribution of meteorological stations
   54   55   56   57   58   59   60   61   62   63   64