基于机器学习的气象水文中长期预报研究——以江淮地区为例
文献类型：学位论文
| 作者 | 梁廖逢 |
| 答辩日期 | 2023-06 |
| 文献子类 | 学术型学位 |
| 授予单位 | 中国科学院大学 |
| 授予地点 | 中国科学院地理科学与资源研究所 |
| 导师 | 王中根 |
| 关键词 | 中长期径流预报 短期气候预测 物理经验模型 机器学习 江淮地区 |
| 学位名称 | 博士 |
| 学位专业 | 自然地理学 |
| 英文摘要 | 受气候变化和人类活动影响，近年来我国极端洪涝灾害频发，严重制约了我国经济社会发展。中长期气象水文预报涵盖短期气候预测及中长期径流预报两个部分，可以在次季节、季节尺度上对汛期暴雨及洪水进行超前预警，为流域水资源高效利用管理、防洪系统调度提供科学依据，具有重要意义。然而，大气圈是一个具有高度复杂性的混沌系统，地表径流也具有显著的时空变异性、非线性和不确定性，在月、季尺度上的过程模拟误差会被指数型放大，导致中长期气象水文预报无法像短临天气预报及场次洪水预报那样进行具有高度确定性的过程模拟。因此，如何科学合理地利用物理统计及机器学习方法进行短期气候预测及中长期径流预报，是目前气象水文学研究的难点问题。 本文以江淮地区开展研究，旨在建立适用于研究区的气象水文中长期预报框架。研究主要针对以下科学问题：对于次季节及季节预见期，目前主流的次季节及季节（S2S）降雨预测在研究区的效果如何，以及如何利用机器学习对研究区降雨径流进行有效预报？为此，本研究开展了基于物理统计模型的降雨短期气候预测和基于机器学习方法的中长期径流预报，主要内容及结论如下： （1）基于2474个站点实测数据评估了9个预报中心的次季节降雨（S2S）实时预报效果，并分析了位势高度模拟精度对降雨预报精度的影响。结果表明，当预见期超过10天时，各预报中心的降雨预报性能显著下降，ECMWF控制预报中的相关系数从0.70下降到0.23，UKMO中心从0.69下降至0.25。METEO控制试验下的相关系数介于0.16-0.22之间，无法有效预报研究区降雨。另外，ECCC及ECMWF中心的500hPa位势高度模拟在10-15天预见期下与降雨预报性能有显著正相关关系，即对位势高度的模拟会影响区域降雨预报结果。 （2）基于经验正交分解（EOF）及迭代优化方法划分了9种降雨分布类型，分析关键前兆因子，并构建汛期降雨聚类预测模型。结果表明，利用EOF可以划分汛期降雨为全区域分布、南北两极分布及中下游分布三种模态，模态方差解释度为0.43；通过迭代优化EOF的三个模态，将历史降雨分布细化为9种降雨空间分布类型，分类精度有所提高。通过对各类型的热力、环流等背景因素进行合成与相关分析发现，副热带高压及南亚低压的强度及位置与各降雨类型的出现密切相关。最后，利用Mean-shift聚类构建针对全流域极端多雨型（即降雨类型1）的聚类预测模型，能较好区分出全区域洪涝型的年份，可用于全流域极端降雨类型的预测。 （3）基于CMIP6历史模拟输出数据及NCEP再分析数据，采用迁移学习方法，构建次季节预见期下的降雨回归预测模型。首先，利用26个CMIP6模型1850-2014年的月降雨及三个前兆因子数据（温度、纬向风及位势高度），预训练卷积神经网络（CNN）模型至收敛。接着，利用迁移学习微调模型最后一层卷积层，在5个月预见期下，NCEP再分析数据训练集预报相关系数可达0.82，测试集精度可达0.72。在4个、6个月预见期下，训练集精度分别可达0.72及0.73，测试集精度可达0.67及0.71。最后，利用Grad-Cam识别因子高影响区，在Grad-Cam热度图中，中国东部及东部海域前兆因子对研究区降雨有显著影响，相对于4个月预见期模型，5、6个月预见期下模型关注了更多的南亚区因子信号。 （4）通过对126项前兆因子的筛选以及降雨预测结果，利用三种机器学习方法进行了中长期径流预报，并利用SHAP分析量化了前兆因子重要性。在12个水文站点的支持向量机（SVR）、随机森林（RF）及长短时记忆神经网络（LSTM）月径流预报中，2个月预见期下的RF结果优于SVR及LSTM，在各站点的训练期结果中相关系数R介于0.79-0.89，测试期介于0.5-0.8。另外，通过SHAP重要性分析发现，降雨预测结果显著影响了安江、高砌头、津市、沙头以及武隆站的月径流预报；外洲及湘潭站最重要的预报因子为北半球副高脊线位置指数（NSHRP）；登瀛岩及涪江桥站径流预报最重要的因子为北半球极涡强度指数（NPVI），表明极涡活动对站点径流变化有重要影响。 |
| 语种 | 中文 |
| 页码 | 149 |
| 源URL | [http://ir.igsnrr.ac.cn/handle/311030/199797]  |
| 专题 | 地理科学与资源研究所_研究生部 |
| 推荐引用方式 GB/T 7714 | 梁廖逢. 基于机器学习的气象水文中长期预报研究——以江淮地区为例[D]. 中国科学院地理科学与资源研究所. 中国科学院大学. 2023. |
入库方式： OAI收割
来源：地理科学与资源研究所
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。