Page 62 - 《高原气象》2026年第5期
P. 62

高     原      气     象                                 45 卷
              1278
                                              表2  降水分类模型混淆矩阵各事件定义
                         Table 2  Definitions of events in the confusion matrix for the precipitation classification model
                        事件                   简称                     定义                       模型中的意义
                   真正(True Positive)          TP             正确预测为正类的样本数                  观测无雨, 预报无雨
                   假正(False Positive)         FP             错误预测为正类的样本数                  观测无雨, 预报有雨
                   真负(True Negative)          TN             正确预测为负类的样本数                  观测有雨, 预报有雨
                   假负(False Negative)         FN             错误预测为负类的样本数                  观测有雨, 预报无雨


             ROC 曲线), 是一种用于评估二分类模型性能的图                          亮温与云的物理特点进行数据预处理, 作为构建机
             形化工具, 公式(5)~(6)可以计算真正例率(True                       器学习模型的特征变量, 将特征变量与降水数据时
             Positive  Rate,  TPR)和 假 正 例 率(False  Positive     空匹配处理: 空间上, 格点降水数据中的 FY-4A 数
             Rate, FPR):                                        据和 GPM 产品分辨率均重采样至 0. 01°后匹配, 站
                                      TP                        点降水采用空间最近邻法关联地面雨量计观测数
                             TPR =                      (5)
                                    TP + FN                     据; 时间上, FY-4A数据取整点前 1 h内多时刻亮温
                                      FP
                             FPR =                      (6)     平均值代表该整点亮温, 以对应整点累计 1 h 降水
                                    FP + TN
                  ROC 曲线通过绘制模型的 TPR 和 FPR 之间的                   量, GPM 产品使用整点的降水量以匹配卫星数据;
                                                                对数据标准化处理, 构建训练样本库。
             关系来展示模型性能表现, 曲线下的面积 ALIC 越
                                                                   (2) 在模型构建阶段, 采用随机抽样将各样本
             大, 模型性能越佳。在回归模型中, 针对降水定量
                                                                库按 8∶2 比例划分为训练集与测试集, 通过 XG‐
             预测, 采用均方误差(Mean Squared Error, MSE)、
                                                                Boost算法训练分类模型和回归模型, 其中分类降水
             均方根误差(Root Mean Squared Error, RMSE)和决
                                                                                                            -1
                                                                事件以降水量观测值有无降水(阈值为0. 1 mm·h )
             定系数(R-squared, R²)作为评估指标。其中, 均方
                                                                划分为 1 和 0 两个类别作为目标变量, 再由贝叶斯
             误差指预报值与观测值之间差异的平方的平均值;
                                                                优化选取评估指标最优模型参数, 完成分类模型与
             均方根误差是即MSE的平方根, 表示平均预测误差
                                                                回归模型的训练。
             的绝对量度; 决定系数用于衡量模型对数据的拟合
                                                                   (3) 最终根据模型评估指标, 选择反演结果更
             程度(孙康慧等, 2024)。
                                                                准确的样本库(格点/站点)。当分类模型判定无降
             3. 3 研究方案
                                                                水时, 直接输出 0 值; 当存在降水事件时, 则输出
                  本 研 究 采 用 的 建 模 方 案 和 技 术 路 线 如 图 3
                                                                回归模型的定量反演值, 形成时空连续的高精度降
             所示。
                                                                水反演数据, 并基于降水个例对反演降水数据与实
                 (1) 首先基于 FY-4A AGRI L1 级数据的多通道
                                                                际观测数据进行对比分析。
                                                                4  结果分析

                                                                    本章节筛选了 2023 年 7 月中降水强度最大的 3
                                                                个时次以及降水区域覆盖最广的 3个时次作为格点
                                                                降水数据的训练样本, 同时使用 2023年 7月黄河源
                                                                区气象观测站点的所有时次作为站点降水数据的
                                                                训练样本, 分别评估上述两种样本集训练的降水反
                                                                演模型; 选择评估结果最优的模型输入两次降水个
                                                                例的卫星数据, 分别从空间和时间的角度验证分析
                                                                反演模型在实际降水事件中的应用。
                                                                4. 1 模型评估
                                                                    基于格点降水观测数据的分类模型评估, 图 4
                                                               (a)和图 4(b)中, 将训练集的样本代入模型, 模型
                         图3 降水反演模型技术路线                          无一例外地成功预测出其 35817组样本代表的像元
               Fig. 3 Technical route of the precipitation retrieval model  点是否降水, 没有出现错误地预测结果, 而将测试
   57   58   59   60   61   62   63   64   65   66   67