Page 65 - 《高原气象》2026年第5期
P. 65
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 1281
图7 基于站点数据的回归模型训练集样本与测试集样本散点分布图及决定系数(R)、 均方根误差(RMSE)
2
Fig. 7 Scatter plots and performance metrics (R and RMSE) of the regression model
2
based on station-based data for training and test samples
4. 2 估算结果验证
完成模型训练及评估后, 本节基于黄河源区
2023 年 7 月 2 -3 日以及 12 日(该时间与训练样本无
重叠)降水过程的卫星数据, 反演出黄河源区降水
的空间分布, 并与 GPM IMERG-Final 降水观测产
品对比(图 9, 图 10); 同时将反演结果与单站观测
降水对比分析。
图 9中降水区域主要集中在黄河源区的东南区
域的半湿润区, 是降水频次较多的区域。图中反演
的降水区域与观测产品的降水区域基本一致, 且降
水中心的位置也能准确反演出来, 该模型对于是否
降水的反演效果较好; 从定量反演的角度来看, 对
0. 0~5. 0 mm 区间降水量反演结果与观测产品基本
一致, 而在降水量较高区域, 尤其是 10. 0 mm 以上
区域, 反演值与观测值之间误差较大且最高误差超
过了 10. 0 mm; 同时在图 9 误差图中可以看出,
18:00、 19:00 黄河源区的西至西北部也观测到了零
图8 格点降水数据回归模型的SHAP解释结果 星降水, 但模型并未成功反演出该区域的降水。
Fig. 8 SHAP interpretation results for the regression
图 10 中降水中心位于黄河源区的西南部。此
model based on gridded precipitation data
次降水过程反演效果与图 8 中的类似, 模型能成功
差更小。因此, 选择构建模型效果更好的格点降水 地反演出与观测产品基本一致的降水区域, 并且降
数据样本作为最终构建降水反演模型的数据集。 水中心的位置也能准确地反演出来; 在误差图中,
由于回归模型在有利于判断为无雨条件(即有云无 降水中心附近的 5. 0 mm·h 以下降水区出现误差
-1
雨或晴空)时, 会出现负的回归值。因此构建降水 的比例很小。但此次过程的主要误差也出现在降
反演模型需要用分类模型先判断是否有雨, 将无雨 水中心的最高值区域, 反演值相较于观测值低, 在
-1
像元的回归计算结果用 0. 0 mm·h 覆盖, 以得到最 16:00 东北部有一处降水量大于 20. 0 mm 的降水区
终反演结果。 域出现了漏报。

