Page 63 - 《高原气象》2026年第5期
P. 63

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                                        1279









































                                               图4 基于格点降水数据的分类模型评估
                             Fig. 4 Performance evaluation of the classification model based on gridded precipitation data
               集样本代入模型后出现了 1445组样本的预测错误。                             图 6是中训练集样本在模型中的决定系数 R²高
                                                                                                        -1
               由混淆矩阵中的各类事件个数, 可以计算出精确                            达 0. 98, 均方根误差 RMSE 为 0. 272 mm·h , 大多
               率、 召回率、 F1 分数和准确率等评估指标: 如图 4                      数样本点位于直线 Y=X下方, 表明多数情况下预测
              (c)所 示 ,  黑 色 表 示 训 练 集 的 这 些 指 标 均 达 到            值 会 较 观 测 值 低 ,  并 且 当 降 水 量 观 测 值 大 于
               1. 00; 而灰色表示的测试集可以看出, 这些指标均                       10 mm·h 时, 反演值与观测值误差会更大; 测试集
                                                                         -1
               为 0. 84, 表明在预测有无降水发生时出现约 16%                      样本的决定系数 R²为 0. 42, 均方根误差 RMSE 为
               样本错误预测。                                           1. 527 mm·h , 样本点距直线 Y=X 更远且分布更
                                                                            -1
                   图 5(a)和图 5(b)中训练集样本具有与格点数                     分散。
               据模型同样优秀的预测表现, 成功预测出 6520 组                            图 7是中训练集样本和测试集样本的决定系数
               样本是否发生降水, 但是在测试集样本的预测效果                           R²分别为 0. 777和 0. 126, 拟合程度较低, 在整体样
               较差: 在观测有降水时, 预报准确率仅有 50%; 在                       本降水量偏小的情况下, 训练集与测试集均方根误
               观测无降水时, 空报率约 20%。在图 5(c)中, 该模                     差RMSE分别为0. 296 mm·h 和0. 499 mm·h 。
                                                                                           -1
                                                                                                         -1
               型对于训练集样本, 精确率高达 0. 98, 准确率高达                          针对模型可解释性, 对格点降水数据的回归模
               0. 97, 同时召回率有 0. 88, F1 分数有 0. 92, 表现良            型进行了 SHAP 值分析。SHAP 值大于 0 表示该特
               好; 但该模型对于测试集样本表现差, 召回率和 F1                        征值使预测值向增大的方向变化, 反之则使预测值
               分数均在0. 6左右。                                       向减小的方向变化; 散点颜色从蓝到红对应特征变
                   图 4(d)中基于格点数据训练的模型 ROC 曲线                     量数值从低到高。从图 8 可以看出, 对模型预测结
               与 X轴所围面积为 0. 92, 大于图 5(d)中基于站点数                   果影响较大的变量是云顶高度和温度, 而云水路
               据训练的模型 ROC 曲线与 X 轴所围面积 0. 86, 该                   径、 云相态等变量数值大小对模型的影响较小;
               面积越接近 1, 模型预测性能越优秀。综合两种数                          CTH_2(ΔT09-T12)和 CTH_3(ΔT10-T13)与 降 水
               据在分类模型的表现, 基于格点数据构建的模型预                           量呈高度正相关, 与 Giannakos and Feidas(2013)的
               测效果更佳。                                            结论一致; 当 CTT_1(T12)和 CTT_2(T13)较低时,
   58   59   60   61   62   63   64   65   66   67   68