Page 61 - 《高原气象》2026年第5期
P. 61

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                                        1277
                   CTH_1能够反映出云的发展高度、 上升气流的
               强弱和中小尺度对流发展的旺盛程度(何关兴等,
               2023); 结合双通道差异法, CTH_2 和 CTH_3 可有
               效 区 分 高 层 云 与 中 层 云(Giannakos  and  Feidas,
               2013)该参数与降水概率及强度呈显著正相关。
               CTT_1和 CTT_2较高时常伴随强对流降水, 而层状
               云降水则可能出现在较高云顶温度条件下。)CWP_
               1 和 CWP_2 的高值区域对应更高降水概率及强度,
               低值区则多表现为多云天气(Thies et al., 2008;
               Lazri and Ameur, 2016)。 CP_1 可 判 别 云 粒 子 相
               态: 正值指示冰相云(利于对流降水), 负值对应液
               相云(Giannakos and Feidas, 2013)。CP_2可表征云
               光学厚度, 厚积云因黑体辐射特性呈现较小差值,
               薄卷云则因冰晶吸收差异产生较大差值(Wang et
               al., 2024)。采用窗格法, 通过中心像元与邻近 8像                                 图2 XGBoost算法框架
               元的亮温距平绝对值(CSI_1)及标准差(CSI_2)表                             Fig. 2 Architecture of the XGBoost model
               征云体空间纹理特征。高值能反映对流活跃的倾                            (如模型验证集均方误差)的高斯过程代理模型, 结
               斜 云 体 结 构(Adler  and  Negri,  1988;  陈 利 群 等 ,    合采集函数动态平衡勘探与开发, 逐步逼近全局最
               2006)。 Delta_CTT 和 Delta_CTH 基 于 Lazri et al.     优参数组合。优化后的超参数集将用于构建高泛
              (2014)的时间梯度法计算, 正值指示云体衰退, 负                        化性降水反演模型, 确保复杂气象条件下预测结果
               值表征云体发展。                                          的稳定性(崔佳旭和杨博, 2018)。
               3. 2 机器学习算法                                           本研究采用 SHAP(SHapley Additive exPlana‐
                   本研究采用极端梯度提升算法(eXtreme Gradi‐                  tions,SHAP)值分析 XGBoost 模型的可解释性。它
               ent Boosting, XGBoost)构建卫星数据驱动的降水                 是一种解释机器学习模型预测的工具, 基于合作博
               反演模型, 旨在提高黄河源区降水反演模型的精度                           弈理论中的 Shapley 值, 考虑了所有可能的特征组
               与计算效率, 并引入贝叶斯优化算法实现超参数自                           合, 通过计算特征在所有可能的特征子集中的平均
               动调优, 两者的协同应用能够解决复杂地形下卫星                           边际贡献来确定特征的重要性(Li, 2022)。
               特征与降水过程间的非线性映射问题。具体方法                             3. 3 模型评估方法
               如下:                                                   本研究针对降水反演任务的特性, 采用分类与
                   XGBoost是一种基于梯度提升思想的集成学习                       回归双评估体系, 以全面量化模型性能。在分类模
               算法, 具有高效处理高维异构数据的能力。其核心                           型中, 针对降水有无的二分类判别, 基于混淆矩
               机制为迭代式建模(图 2): 每一轮训练后, 算法通                        阵, 公式(1)~(4)分别计算准确率、 精确率、 召回
               过加权残差更新策略, 将前序模型的预测误差作为                           率、 F1分数:
               新输入, 逐步优化回归树集成。相较于传统梯度提                                                   TP + TN
                                                                         Accuracy =                        (1)
               升 决 策 树(Gradient  Boosting  Decision  Tree,  GB‐                     TP + FP + TN + FN
               DT), XGBoost 引入两大创新: 其一, 损失函数采                                  Precision =  TP             (2)
               用二阶泰勒展开近似, 通过一阶梯度与二阶海森矩                                                   TP + FP
               阵加速模型收敛; 其二, 在目标函数中嵌入正则化                                         Recall =   TP              (3)
                                                                                        TP + FN
               项(L1/L2 范数), 以控制模型复杂度并抑制过拟合                                        2 × (Precision × Recall)
                                                                         F1score =                         (4)
               风险(Chen and Guestrin, 2016)。这些特性使其能                                   Precision + Recall
               够有效处理 FY-4A 多通道亮温、 云顶高度等多个特                       式中: Accuracy 为准确率, Precision 为精确率, Re‐
               征, 捕捉降水与卫星信号间的非线性关系。                              call 为召回率; F1score 为 F1 分数; TP、 FP、 TN 和
                   针对 XGBoost模型中学习率、 树深度等超参数                     FN 为降水分类模型混淆矩阵中各个事件的样本
               对性能的敏感性, 本研究采用贝叶斯优化算法实现                           数, 其定义等信息如表 2 所示; 同时引入模型工作
               参数空间的高效搜索。该方法通过构建目标函数                             特征曲线(Receiver Operating Characteristic Curve,
   56   57   58   59   60   61   62   63   64   65   66