黃超　李巧萍　謝益軍　彭嘉棟

摘要利用湖南97個(gè)國家站的逐月降水資料、國家氣候中心130項(xiàng)氣候指數(shù)集以及國家氣候中心和美國國家環(huán)境預(yù)報(bào)中心兩套季節(jié)預(yù)測模式的降水預(yù)測資料，采用遞歸特征消除法確定預(yù)測因子并使用多層前饋神經(jīng)網(wǎng)絡(luò)、支持向量回歸和自然梯度提升三種算法建立了兩種湖南夏季降水統(tǒng)計(jì)預(yù)測方案的模型，檢驗(yàn)了預(yù)測效果。結(jié)果表明：基于機(jī)器學(xué)習(xí)的預(yù)測模型對湖南夏季雨型分布有較好的預(yù)測能力，兩種統(tǒng)計(jì)方案提前1～6mon起報(bào)的夏季降水平均距平相關(guān)系數(shù)分別為0.15和0.19，相比于NCEP和NCC模式有較大提升，平均PS評分分別為69.3和69.2，高于NCC模式的63.1，略低于NCEP模式的71.5;進(jìn)一步分析表明，3—5月起報(bào)的機(jī)器學(xué)習(xí)模型的預(yù)測技巧可能來源于前冬極地和中高緯環(huán)流，12—2月起報(bào)的模型預(yù)測技巧則可能來自海溫的前兆信號(hào)。

關(guān)鍵詞機(jī)器學(xué)習(xí);夏季降水;預(yù)測

湖南地形具有三面環(huán)山、南高北低的特點(diǎn)，氣候復(fù)雜多變，夏季旱澇轉(zhuǎn)換（李易芝等，2017），易出現(xiàn)洪澇、干旱等氣象災(zāi)害。在全球變暖背景下，湖南夏季極端降水明顯增加（周莉等，2018），因此進(jìn)一步提升夏季降水預(yù)測水平對湖南防災(zāi)減災(zāi)具有重要現(xiàn)實(shí)意義。

目前降水季節(jié)趨勢預(yù)報(bào)主要分為統(tǒng)計(jì)學(xué)、動(dòng)力學(xué)和動(dòng)力統(tǒng)計(jì)相結(jié)合三類方法。統(tǒng)計(jì)方法充分利用歷史資料規(guī)律，選取有明確物理意義和顯著相關(guān)的因子進(jìn)行建模。范可等（2007）通過前期因子建立統(tǒng)計(jì)模型對長江中下游夏季降水年際增量進(jìn)行預(yù)測，顯著提高了業(yè)務(wù)預(yù)測技巧。杜良敏等（2016）針對不同氣候分區(qū)建立統(tǒng)計(jì)模型對我國夏季降水進(jìn)行預(yù)測。李春暉等（2018）采用時(shí)空投影方法建立廣東省降水統(tǒng)計(jì)預(yù)測方法。Yimetal.（2014）使用統(tǒng)計(jì)模型對中國南方夏季降水進(jìn)行預(yù)測。但由于各預(yù)測因子相互作用過程復(fù)雜，不同時(shí)間尺度的預(yù)測信號(hào)不一致，加大了預(yù)測的難度。隨著數(shù)值模式的發(fā)展，動(dòng)力模式成為氣候預(yù)測的主要工具，許多國家建立了數(shù)值預(yù)報(bào)模式（丁一匯，2011）。近年來，我國季節(jié)預(yù)測模式對大氣環(huán)流、ENSO（ElNioSouthernOscillation）現(xiàn)象、亞洲夏季風(fēng)等的預(yù)測能力已有明顯提升（吳捷等，2017），但對降水預(yù)測技巧依然有限，特別是對東亞地區(qū)夏季降水的預(yù)報(bào)技巧相對較低（王予等，2021）。在這樣的現(xiàn)實(shí)情況下，專家學(xué)者在此基礎(chǔ)上發(fā)展了動(dòng)力和統(tǒng)計(jì)相結(jié)合的預(yù)測方法（封國林等，2013），充分利用歷史資料并考慮大氣海洋物理機(jī)制，進(jìn)一步提高了降水預(yù)測準(zhǔn)確率?？伦诮ǖ龋?009）提出了最優(yōu)子集回歸方法。賈小龍等（2010）發(fā)展了變形典型相關(guān)分析（CombinationofEmpiricalOrthogonalFunctionandCanonicalCorrelationAnalysis，BPCCA）方法。舒建川等（2019）在此基礎(chǔ)上使用BPCCA方法在西南地區(qū)進(jìn)行了應(yīng)用。組合統(tǒng)計(jì)降尺度方法（LiuandFan，2014;劉穎等，2020）也能夠提升一定的降水預(yù)測技巧。此外，國家氣候中心多模式解釋應(yīng)用集成預(yù)測系統(tǒng)（MultimodelDownscalingEnsemblePredictionSystem，MODES）（劉長征等，2013）和動(dòng)力統(tǒng)計(jì)相結(jié)合的季節(jié)預(yù)測系統(tǒng)（ForecastSystemonDynamicAnalogueCombinedSkills，F(xiàn)ODAS）（王啟光等，2011）的研發(fā)對我國夏季降水預(yù)測業(yè)務(wù)水平提升起到了關(guān)鍵作用。

機(jī)器學(xué)習(xí)強(qiáng)調(diào)從歷史數(shù)據(jù)中學(xué)習(xí)規(guī)則，對新數(shù)據(jù)進(jìn)行推理和預(yù)測。區(qū)別于傳統(tǒng)統(tǒng)計(jì)方法，機(jī)器學(xué)習(xí)擅長處理非線性問題，利用機(jī)器學(xué)習(xí)的優(yōu)勢可以從地球系統(tǒng)中發(fā)現(xiàn)并提取新的相互關(guān)聯(lián)信號(hào)（賀圣平等，2021）。近年來，機(jī)器學(xué)習(xí)在氣象領(lǐng)域的應(yīng)用越來越廣泛，常用的機(jī)器學(xué)習(xí)算法有支持向量機(jī)、貝葉斯算法、神經(jīng)網(wǎng)絡(luò)、決策樹算法等（馮漢中和陳永義，2004;孫照渤等，2013;張宇彤等，2013;苗春生等，2017）。隨著計(jì)算能力的提高和深度學(xué)習(xí)理論的發(fā)展，以卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetworks，CNN）和長短期時(shí)間記憶網(wǎng)絡(luò)（LongShortTermMemory，LSTM）為代表的深度學(xué)習(xí)方法在氣候領(lǐng)域得到應(yīng)用，例如CNN算法對ENSO指數(shù)的預(yù)測技巧超過了主流動(dòng)力模式（Hametal.，2019），沈皓俊等（2020）采用的LSTM算法對中國夏季降水預(yù)測評分超過了同期業(yè)務(wù)模式。

湖南夏季降水時(shí)空分布不均，影響因子復(fù)雜，當(dāng)前對其機(jī)理和預(yù)測的研究還存在短板，動(dòng)力模式預(yù)測水平與業(yè)務(wù)服務(wù)需求存在差距，有必要利用機(jī)器學(xué)習(xí)的優(yōu)勢進(jìn)一步提高當(dāng)?shù)仡A(yù)測水平。考慮到湖南降水觀測資料年份較少，不適合深度學(xué)習(xí)方法，因此本文采用隨機(jī)森林算法進(jìn)行遞歸特征消除來挑選預(yù)測因子，使用多層前饋神經(jīng)網(wǎng)絡(luò)、支持向量回歸和自然梯度提升方法建模，結(jié)合動(dòng)力模式降水預(yù)測結(jié)果，建立適用于湖南本地的夏季降水統(tǒng)計(jì)預(yù)測方法。

1資料和方法

1.1數(shù)據(jù)來源和預(yù)處理

預(yù)報(bào)因子資料來源于國家氣候中心提供的氣候系統(tǒng)監(jiān)測指數(shù)集（下載地址：http：//cmdp.ncccma.net/Monitoring/cn_index_130.php），共包含130項(xiàng)氣候系統(tǒng)指數(shù)的月平均值。其中大氣環(huán)流指數(shù)88項(xiàng)，主要包括副高、東亞槽、極渦、歐亞環(huán)流型、遙相關(guān)、太平洋信風(fēng)等大氣環(huán)流指數(shù)。海溫指數(shù)26項(xiàng)，主要包括厄爾尼諾（各區(qū)及類型）、暖池、印度洋、親潮區(qū)、黑潮區(qū)等海溫指數(shù)。其他指數(shù)16項(xiàng)，主要包括冷空氣、臺(tái)風(fēng)、南方濤動(dòng)、北太平洋年代際振蕩、準(zhǔn)兩年振蕩、次表層海溫等指數(shù)。時(shí)間尺度為1980年1月—2020年12月，若出現(xiàn)缺測，直接將該因子剔除。

美國國家環(huán)境預(yù)報(bào)中心（NationalCentersforEnvironmentalPrediction，NCEP）和國家氣候中心（NationalClimateCenter，NCC）氣候預(yù)測模式數(shù)據(jù)來自MODES系統(tǒng)，空間分辨率均為1°×1°，NCEP模式歷史回算時(shí)間范圍為1982—2020年（其中2011年資料缺失），模式氣候態(tài)取1982—2010年，NCC模式歷史回算時(shí)間范圍為1991—2020年，氣候態(tài)取1991—2010年。分別計(jì)算模式不同起報(bào)時(shí)間的夏季（6—8月）降水距平百分率，并采用雙線性插值將網(wǎng)格數(shù)據(jù)插值到站點(diǎn)上。實(shí)況夏季降水資料來自湖南省97個(gè)國家站1981—2020年的觀測數(shù)據(jù)，夏季降水沒有明顯的線性趨勢，因此未做去趨勢處理，直接處理成降水距平百分率進(jìn)行分析。

樣本集共包含1981—2020年共40a、6個(gè)起報(bào)時(shí)間、10個(gè)模態(tài)共計(jì)2400個(gè)樣本（40×6×10）;根據(jù)起報(bào)時(shí)間和模態(tài)劃分為60個(gè)子樣本集，每個(gè)子樣本集40個(gè)樣本;訓(xùn)練集時(shí)間段為1981—2010年，測試集為2011—2020年。建模時(shí)挑選對應(yīng)起報(bào)時(shí)間和模態(tài)的樣本集，其中訓(xùn)練集30個(gè)樣本進(jìn)行訓(xùn)練和交叉驗(yàn)證，測試集10個(gè)樣本進(jìn)行獨(dú)立檢驗(yàn)。

1.2評估方法

對湖南夏季降水評價(jià)指標(biāo)采用趨勢異常綜合評分PS（PS）和空間距平相關(guān)系數(shù)ACC（AnomalyCorrelatiomCoefficent，ACC）。PS評分的計(jì)算公式為：

其中：N為總站數(shù)，本研究中取97;P1=0.5，P2=1.0;N0為預(yù)報(bào)與實(shí)況距平符號(hào)相同站數(shù)或符號(hào)不同但相差只有1級(jí)站數(shù)之和;N1為預(yù)報(bào)與實(shí)況同為2級(jí)5級(jí)的站數(shù)，N2為預(yù)報(bào)與實(shí)況同為1級(jí)、6級(jí)的站數(shù)。

ACC的計(jì)算公式為：

其中：n為站點(diǎn)數(shù)，yi和oi分別表示預(yù)測值和觀測值;和分別表示預(yù)測值和觀測值的平均值。

1.3建模方法

為了減少建模過程中機(jī)器學(xué)習(xí)算法的隨機(jī)性影響，本文采用多層前饋神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和決策樹集成三種不同的機(jī)器學(xué)習(xí)方法進(jìn)行建模，這三種算法均屬于機(jī)器學(xué)習(xí)中的分類和回歸方法，對數(shù)據(jù)的識(shí)別和擬合過程具有一定差異。

1）多層前饋神經(jīng)網(wǎng)絡(luò)

本文使用的神經(jīng)網(wǎng)絡(luò)算法為多層前饋神經(jīng)網(wǎng)絡(luò)，其一般包含輸入層、隱含層和輸出層（韓力群，2006;LeCunetal.，2015）。隱含層越多，模型數(shù)據(jù)表示能力越強(qiáng)，更易造成過擬合，因此本文僅采用兩層隱含層，神經(jīng)元個(gè)數(shù)也不超過預(yù)報(bào)因子個(gè)數(shù)。模型的表達(dá)式為：

其中：xi為節(jié)點(diǎn)i的輸入值;Pk為節(jié)點(diǎn)k的輸出值;g1為隱含層激活函數(shù);g2為輸出層激活函數(shù);m和n分別為輸入層和輸出層神經(jīng)元個(gè)數(shù);wj0為隱含層第j個(gè)神經(jīng)元的偏差;wk0為輸出層第k個(gè)神經(jīng)元的偏差;wkj為輸出節(jié)點(diǎn)k與隱含節(jié)點(diǎn)j的權(quán)重;wji為輸入節(jié)點(diǎn)i與隱含節(jié)點(diǎn)j的權(quán)重。

2）支持向量回歸

支持向量回歸是支持向量機(jī)的拓展，算法通過核函數(shù)在高維或有限維空間中構(gòu)造一個(gè)或一組超平面使數(shù)據(jù)與其距離最?。愑懒x等，2004），在處理小樣本、高維和非線性問題上具有優(yōu)勢。本文選用高斯核函數(shù)，因此表達(dá)式為：

其中：L為支持向量的個(gè)數(shù);ai、a*i、b為通過訓(xùn)練樣本確定的最優(yōu)超平面參數(shù);xi為預(yù)報(bào)因子;σ為控制高斯核參數(shù)寬度的參數(shù)。

3）決策樹集成

決策樹是機(jī)器學(xué)習(xí)中的分類回歸算法，對于回歸問題，算法目標(biāo)是盡量使劃分同一類別的平方誤差最小，但也易造成過擬合，可通過決策樹集成方法克服。本文使用的隨機(jī)森林和自然梯度提升樹均屬于決策樹集成算法。隨機(jī)森林回歸算法通過對訓(xùn)練集重復(fù)隨機(jī)采樣進(jìn)行決策樹建模，取多個(gè)決策樹平均值作為預(yù)測結(jié)果（Breiman，2001）;而自然梯度提升樹算法通過梯度提升方法進(jìn)行預(yù)測，不斷對預(yù)測殘差進(jìn)行建模并集成多個(gè)決策樹，從而達(dá)到減少預(yù)測誤差的目（Pengetal.，2020）。

4）遞歸特征消除法

遞歸特征消除法是機(jī)器學(xué)習(xí)中常用的特征處理方法，起到挑選重要因子的作用。該方法通過反復(fù)構(gòu)建模型剔除重要程度最低的因子，并遍歷所有因子達(dá)到確定因子重要程度的目的。本文采用的重要性衡量方法為基尼重要性，在隨機(jī)森林內(nèi)部節(jié)點(diǎn)中通過反復(fù)將數(shù)據(jù)集分為兩個(gè)獨(dú)立的集合，計(jì)算每次分類后的集合內(nèi)部方差，依據(jù)分類前后集合的方差差值確定氣候因子的重要性，方差差值越大表示因子重要性越高。

2機(jī)器學(xué)習(xí)在降水預(yù)測中的應(yīng)用

2.1湖南夏季降水預(yù)報(bào)方案

將機(jī)器學(xué)習(xí)方法應(yīng)用預(yù)測因子篩選及湖南夏季降水預(yù)測建模中，圖1給出了降水預(yù)測的主要流程：

1）資料處理：分為三部分，第一部分獲取前期因子集，將起報(bào)時(shí)間前3mon的130項(xiàng)氣候系統(tǒng)指數(shù)作為前期因子集，例如5月起報(bào)的模型使用的是2、3、4月的氣候因子。第二部分是降水?dāng)?shù)據(jù)，對1981—2010年湖南夏季觀測降水的距平百分率采用經(jīng)驗(yàn)正交函數(shù)分析方法（EOF）進(jìn)行分解，時(shí)間系數(shù)為預(yù)測目標(biāo)。第三部分是模式預(yù)報(bào)降水場，使用觀測降水場EOF分解后的空間系數(shù)對模式降水場進(jìn)行投影，得到模式預(yù)報(bào)的時(shí)間系數(shù)。

2）篩選關(guān)鍵因子組合：基于機(jī)器學(xué)習(xí)的遞歸特征消除思想，采用隨機(jī)森林算法獲取重要的氣候因子，再通過交叉驗(yàn)證選取合適的關(guān)鍵因子組合。

3）建模：分為兩個(gè)方案，方案一直接使用篩選的關(guān)鍵因子組合與EOF時(shí)間系數(shù)進(jìn)行建模;方案二將NCEP模式預(yù)報(bào)的降水場時(shí)間系數(shù)與方案一中的因子共同作為預(yù)報(bào)因子進(jìn)行建模。

4）輸出預(yù)報(bào)結(jié)果：利用模型預(yù)報(bào)的時(shí)間系數(shù)和觀測降水EOF分解的空間系數(shù)還原成預(yù)報(bào)降水場，對不同機(jī)器學(xué)習(xí)模型的預(yù)報(bào)結(jié)果進(jìn)行等權(quán)集合平均作為最終的預(yù)報(bào)結(jié)果。

2.2確定預(yù)測因子及EOF模態(tài)個(gè)數(shù)

使用隨機(jī)森林算法進(jìn)行遞歸特征消除來篩選預(yù)測因子，隨機(jī)森林算法通過計(jì)算預(yù)測因子的基尼重要性對其進(jìn)行排序，從而剔除不重要的預(yù)測因子，達(dá)到降維的目的。將所有候選氣候因子與前10個(gè)EOF模態(tài)時(shí)間系數(shù)分別進(jìn)行遞歸特征消除（決策樹數(shù)量參數(shù)設(shè)置為100，持續(xù)增大后誤差并無顯著減少），采用五折交叉驗(yàn)證進(jìn)行誤差分析。圖2給出了5月起報(bào)的前10個(gè)模態(tài)通過遞歸特征消除法剔除因子后均方根誤差，當(dāng)因子數(shù)達(dá)到某一閾值，誤差趨于平穩(wěn)。在因子重要性排序之后，選取該閾值之前的關(guān)鍵性因子即能在降低模型誤差的同時(shí)達(dá)到降維的目的，依據(jù)此方法便得到提前1～6mon起報(bào)和不同模態(tài)的預(yù)測因子（表2）。

采用交叉驗(yàn)證方法分析不同EOF模態(tài)個(gè)數(shù)對預(yù)測結(jié)果的影響。圖3給出了利用1981—2010年湖南夏季降水?dāng)?shù)據(jù)分別截取前1～20個(gè)不同EOF模態(tài)進(jìn)行五折交叉驗(yàn)證的結(jié)果，ACC和PS評分均為提前1～6mon起報(bào)的平均值。從圖中可以看出，EOF模態(tài)個(gè)數(shù)超過6個(gè)，PS和ACC變化趨于平穩(wěn)，當(dāng)EOF個(gè)數(shù)取8和10時(shí)，ACC和PS分別達(dá)到最大值。結(jié)合圖3中所示的不同EOF模態(tài)的累計(jì)方差貢獻(xiàn)率以及還原后降水場與觀測場的相關(guān)系數(shù)來看，EOF模態(tài)個(gè)數(shù)越多，越能反映降水的時(shí)空變化，因此這里將EOF模態(tài)個(gè)數(shù)定為10，此時(shí)累計(jì)方差貢獻(xiàn)率為89.1%，ACC和TCC分別達(dá)到0.86和0.94，能夠反映降水的時(shí)空分布特征。

2.3參數(shù)設(shè)置及模型建立

表3中給出了多層前饋神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)回歸、自然梯度提升樹三種算法的參數(shù)范圍，為避免

過擬合，參數(shù)設(shè)置盡量簡單，降低模型復(fù)雜度，所有數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。神經(jīng)網(wǎng)絡(luò)層數(shù)為2層，節(jié)點(diǎn)數(shù)取20～50，激活函數(shù)使用Relu;支持向量機(jī)使用高斯核;自然梯度提升樹的決策樹數(shù)量在20～500間取值。建模時(shí)取訓(xùn)練集對參數(shù)取值范圍內(nèi)的不同參數(shù)組合分別建模。例如對5月起報(bào)的EOF第一模態(tài)時(shí)間系數(shù)使用多層前饋神經(jīng)網(wǎng)絡(luò)建模時(shí)，隱含層數(shù)量為2，對應(yīng)隱含層節(jié)點(diǎn)數(shù)分別為{50，50}、{40，40}、{30，30}、{20，20}共4組，正則化參數(shù)分別為0.0001、0.001、0.01、0.1、1共5個(gè)，不同參數(shù)組合共計(jì)20個(gè);然后采用五折交叉驗(yàn)證方法計(jì)算得到20個(gè)模型的平均均方根誤差，其中隱含層節(jié)點(diǎn)數(shù)為{40，40}、正則化參數(shù)為0.01的模型誤差最小，作為最終預(yù)測模型;重復(fù)該步驟即得到2種方案3種算法10個(gè)模態(tài)提前1～6mon起報(bào)的共計(jì)360個(gè)預(yù)測模型。

對比三種算法不同起報(bào)時(shí)間的平均均方根誤差（圖4a），提前1、3、4mon起報(bào)的模型中支持向量回歸誤差最小，提前2、5、6mon起報(bào)的模型中，自然梯度提升樹誤差最小;通過不同模態(tài)的平均均方根誤差來看（圖4b），預(yù)測誤差主要位于前兩個(gè)模態(tài)。

兩種統(tǒng)計(jì)方案分別使用2011—2020年和2012—2020年數(shù)據(jù)進(jìn)行獨(dú)立樣本檢驗(yàn)，得到對應(yīng)年份97個(gè)國家站夏季降水距平百分率數(shù)據(jù)并評估預(yù)報(bào)技巧。圖5分別給出氣候模式本身及兩種方案的統(tǒng)計(jì)模型提前1～6mon起報(bào)的降水距平空間相關(guān)系數(shù)（ACC）和PS評分。整體來看，方案一提前1～6mon起報(bào)的ACC分別為0.25、0.15、0.09、0.23、0.15、0.05，平均為0.15;方案二提前1～6mon起報(bào)的ACC分別為0.25、0.23、0.19、0.26、0.24、-0.01，平均為0.19;NCEP和NCC模式預(yù)報(bào)的平均ACC分別為0.08和0.02，統(tǒng)計(jì)方案有明顯提高;兩種方案提前1～6mon起報(bào)的平均PS評分分別為69.3和69.2，相比NCEP模式的71.5略低，但優(yōu)于NCC模式的63.1。從不同起報(bào)時(shí)間來看，2月起報(bào)（Lead4）的ACC最高，4月起報(bào)（Lead2）的PS評分最高。與動(dòng)力模式結(jié)果相比，機(jī)器學(xué)習(xí)模型的平均ACC比NCEP、NCC模式高，這種優(yōu)勢在提前3～6mon起報(bào)的模型上更加明顯，兩套動(dòng)力模式在提前3mon以上預(yù)報(bào)夏季降水幾乎沒有技巧，但在PS評分上，NCEP模式則更具優(yōu)勢。上述結(jié)果說明兩種基于機(jī)器學(xué)習(xí)的預(yù)測方法在降水空間分布的預(yù)測技巧上有優(yōu)勢，并且方案二比方案一效果更好，但在降水異常級(jí)的預(yù)測能力上比NCEP的動(dòng)力模式要差，可能因?yàn)榻y(tǒng)計(jì)方法更加傾向于預(yù)測平均狀態(tài)，對降水異常級(jí)的預(yù)測能力不足。

圖6給出了方案一的2011—2020年和方案二的2012—2020年逐年夏季降水預(yù)測ACC和PS評分，可見預(yù)測評分表現(xiàn)出明顯的年際差異。兩種方案的預(yù)測模型在2012、2013、2016、2018年提前1～6mon起報(bào)的平均PS評分均超過70，預(yù)測效果較好，對應(yīng)的ACC評分在上述年份也較高。相比之下，方案二的平均ACC除2015年為負(fù)值，其余年份均為正值，整體預(yù)測技巧高于方案一。眾所周知，ENSO是熱帶太平洋地區(qū)海氣系統(tǒng)年際氣候變率最強(qiáng)信號(hào)（宗海鋒等，2010;Wenelal.，2015），ENSO對湖南降水預(yù)測有重要指示意義，分析機(jī)器學(xué)習(xí)模型在ENSO年的預(yù)測情況可以進(jìn)一步了解其預(yù)測水平。2016和2020年為典型的厄爾尼諾衰減年，兩種方案在2016年不同起報(bào)時(shí)間的預(yù)測均有較高的正技巧，平均ACC分別達(dá)到0.37和0.36，PS評分分別達(dá)到79.8和75.3，但2020年的預(yù)測并不穩(wěn)定，3月起報(bào)的降水預(yù)測為評分較低。從拉尼娜衰減年預(yù)測來看，2013和2018年的預(yù)測均有較高的正技巧;整體來看，機(jī)器學(xué)習(xí)建模方法在一定程度上能夠識(shí)別ENSO對湖南降水的影響。

4討論

上述結(jié)果表明機(jī)器學(xué)習(xí)方法能夠改善湖南夏季降水空間分布的預(yù)測技巧，但機(jī)器學(xué)習(xí)算法通常屬于黑箱模型，在解決氣候問題時(shí)難以給出合理的物理過程解釋，為了能夠進(jìn)一步了解機(jī)器學(xué)習(xí)方法預(yù)報(bào)技巧的來源，同時(shí)考慮到相近起報(bào)月份的預(yù)測因子相近，這里僅給出3月和12月起報(bào)的預(yù)測因子中前4個(gè)模態(tài)通過顯著性檢驗(yàn)的因子（表4）。可以看出，3月起報(bào)模型的前3個(gè)模態(tài)相關(guān)顯著的預(yù)測因子以前冬極地和中高緯環(huán)流指數(shù)為主，第四個(gè)模態(tài)中的南方濤動(dòng)和赤道中東太平洋200hPa緯向風(fēng)指數(shù)均反映與ENSO的高相關(guān)性，并且4月和5月起報(bào)的預(yù)測因子具有相似特點(diǎn)。12月起報(bào)的模型因子第一模態(tài)與前期東亞槽和西太副高位置有顯著相關(guān)，后3個(gè)模態(tài)與海溫相關(guān)顯著，2月和1月起報(bào)的預(yù)測因子也與海溫顯著相關(guān)。這可能說明，3—5月起報(bào)的模型預(yù)報(bào)技巧主要來自前冬極地和中高緯環(huán)流的信號(hào)，而12月—次年2月起報(bào)的模型預(yù)報(bào)技巧主要來自前期海溫，而這些因子如何影響湖南降水還需要進(jìn)一步研究。

本文僅考慮了起報(bào)時(shí)間前3mon的氣候因子，相關(guān)研究表明湖南夏季降水與前冬的大氣海洋狀態(tài)有重要聯(lián)系（李瑜等，2015;趙俊虎等，2016;高輝等，2017;余榮和翟盤茂，2018;謝傲和羅伯良，2020），而5月起報(bào)模型的預(yù)測因子并未包含整個(gè)冬季，本文嘗試將預(yù)測因子時(shí)間擴(kuò)大至起報(bào)時(shí)間前6mon的范圍，結(jié)果表明5月起報(bào)的方案一和方案二模型對于湖南夏季降水預(yù)測的平均ACC分別為0.12和0.15，PS分別為65.1和68.7，效果并不如前者，將其他起報(bào)時(shí)間的預(yù)測因子范圍也擴(kuò)大至前6mon，整體來看二者的平均ACC分別為0.16和0.17，PS分別為68.8和69.1，相比前者也并沒有顯著的提升，說明機(jī)器學(xué)習(xí)模型挑選的預(yù)測因子也存在一定的局限性，通過簡單增加預(yù)測因子數(shù)量的方式對于機(jī)器學(xué)習(xí)模型的預(yù)測效果并不會(huì)有顯著的提升。此外，地形的動(dòng)力和熱力作用對降水的發(fā)生有重要影響，湖南三面環(huán)山的特殊地形是影響湖南區(qū)域性降水的因素之一，本文基于大尺度氣候信號(hào)構(gòu)建的模型沒有考慮地形因素，對降水異常級(jí)預(yù)測能力有限，如何在機(jī)器學(xué)習(xí)模型中加入地形因素的影響還需進(jìn)一步研究。

5結(jié)論

本文采用機(jī)器學(xué)習(xí)算法篩選預(yù)測因子并結(jié)合動(dòng)力模式的降水預(yù)報(bào)建立了湖南夏季降水預(yù)測模型。主要結(jié)論如下：

采用隨機(jī)森林算法進(jìn)行遞歸特征消除確定預(yù)測因子，通過交叉驗(yàn)證確定最優(yōu)EOF模態(tài)個(gè)數(shù)后，使用多層前饋神經(jīng)網(wǎng)絡(luò)、支持向量回歸以及自然梯度提升分別建模并對預(yù)測結(jié)果進(jìn)行集合平均，比較了兩種方案的預(yù)測模型及兩套動(dòng)力模式對于湖南夏季降水的預(yù)測性能。評估結(jié)果表明基于機(jī)器學(xué)習(xí)的預(yù)測模型對湖南夏季雨型分布有較好的預(yù)測能力，ACC技巧優(yōu)于動(dòng)力模式，但對降水異常級(jí)的預(yù)測不如NCEP模式，兩種方案的預(yù)測模型不同起報(bào)時(shí)間的平均ACC分別為0.15和0.19，平均PS評分分別為69.3和69.2;并且機(jī)器學(xué)習(xí)建模方法能夠較好地識(shí)別ENSO對湖南降水的影響。

進(jìn)一步分析機(jī)器學(xué)習(xí)模型挑選的預(yù)測因子與降水關(guān)聯(lián)，3—5月起報(bào)的機(jī)器學(xué)習(xí)模型的預(yù)測技巧可能來源于前冬極地和中高緯環(huán)流，12月—次年2月起報(bào)的模型預(yù)測技巧則可能來自海溫的前兆信號(hào)，由于機(jī)器學(xué)習(xí)的黑箱特點(diǎn)，很難了解這些因子之間相互調(diào)制的物理過程，有待通過診斷分析及模式敏感性試驗(yàn)等方法進(jìn)一步研究。

參考文獻(xiàn)（References）

BreimanL，2001.RandomForests[J].MachineLearning，45（1）：532.

陳永義，俞小鼎，高學(xué)浩，等，2004.處理非線性分類和回歸問題的一種新方法（Ⅰ）：支持向量機(jī)方法簡介[J].應(yīng)用氣象學(xué)報(bào)，15（3）：345354.ChenYY，YuXD，GaoXH，etal.，2004.AnewmethodfornonlinearclassifyandnonlinearregressionⅠ：introductiontosupportvectormachine[J].JApplMeteor，15（3）：345354.（inChinese）.

丁一匯，2011.季節(jié)氣候預(yù)測的進(jìn)展和前景[J].氣象科技進(jìn)展，1（3）：1427.DingYH，2011.Progressandprospectsofseasonalclimateprediction[J].AdvMeteorSciTechnol，1（3）：1427.（inChinese）.

杜良敏，柯宗建，劉長征，等，2016.基于聚類分區(qū)的中國夏季降水預(yù)測模型[J].氣象，42（1）：8996.DuLM，KeZJ，LiuCZ，etal.，2016.SummerprecipitationpredictionmodelsbasedontheclusteringregionalizationinChina[J].MeteorMon，42（1）：8996.（inChinese）.

范可，王會(huì)軍，ChoiYJ，2007.一個(gè)長江中下游夏季降水的物理統(tǒng)計(jì)預(yù)測模型[J].科學(xué)通報(bào)，52（24）：29002905.FanK，WangHJ，ChoiYJ，2007.AphysicalstatisticalpredictionmodelforsummerprecipitationinthemiddleandlowerreachesoftheYangtzeRiver[J].ChinSciBull，52（24）：29002905.（inChinese）.

封國林，趙俊虎，支蓉，等，2013.動(dòng)力統(tǒng)計(jì)客觀定量化汛期降水預(yù)測研究新進(jìn)展[J].應(yīng)用氣象學(xué)報(bào)，24（6）：656665.FengGL，ZhaoJH，ZhiR，etal.，2013.Recentprogressontheobjectiveandquantifiableforecastofsummerprecipitationbasedondynamicalstatisticalmethod[J].JApplMeteorSci，24（6）：656665.（inChinese）.

馮漢中，陳永義，2004.處理非線性分類和回歸問題的一種新方法（Ⅱ）：支持向量機(jī)方法在天氣預(yù)報(bào)中的應(yīng)用[J].應(yīng)用氣象學(xué)報(bào)，15（3）：355365.FengHZ，ChenYY，2004.AnewmethodfornonlinearclassifyandnonlinearregressionⅡ：applicationofsupportvectormachinetoweatherforecast[J].JApplMeteor，15（3）：355365.（inChinese）.

高輝，袁媛，洪潔莉，等，2017.2016年汛期氣候預(yù)測效果評述及主要先兆信號(hào)與應(yīng)用[J].氣象，43（4）：486494.GaoH，YuanY，HongJL，etal.，2017.Overviewofclimatepredictionofthesummer2016andtheprecursorysignals[J].MeteorMon，43（4）：486494.（inChinese）.

HamYG，KimJH，LuoJJ，2019.DeeplearningformultiyearENSOforecasts[J].Nature，573（7775）：568572.doi：10.1038/s4158601915597.

韓力群，2006.人工神經(jīng)網(wǎng)絡(luò)教程[M].北京：北京郵電大學(xué)出版社：2936.HanLQ，2006.Artificialneuralnetworktutorial[M].Beijing：BeijingUniversityofPostsandTelecommunicationsPress：2936.（inChinese）.

賀圣平，王會(huì)軍，李華，等，2021.機(jī)器學(xué)習(xí)的原理及其在氣候預(yù)測中的潛在應(yīng)用[J].大氣科學(xué)學(xué)報(bào)，44（1）：2638.HeSP，WangHJ，LiH，etal.，2021.Machinelearninganditspotentialapplicationtoclimateprediction[J].TransAtmosSci，44（1）：2638.doi：10.13878/j.cnki.dqkxxb.20201125001.（inChinese）.

賈小龍，陳麗娟，李維京，等，2010.BPCCA方法用于中國冬季溫度和降水的可預(yù)報(bào)性研究和降尺度季節(jié)預(yù)測[J].氣象學(xué)報(bào)，68（3）：398410.JiaXL，ChenLJ，LiWJ，etal.，2010.StatisticaldownscalingbasedonBPCCA：predictabilityandapplicationtothewintertemperatureandprecipitationinChina[J].ActaMeteorolSin，68（3）：398410.（inChinese）.

柯宗建，張培群，董文杰，等，2009.最優(yōu)子集回歸方法在季節(jié)氣候預(yù)測中的應(yīng)用[J].大氣科學(xué)，33（5）：9941002.KeZJ，ZhangPQ，DongWJ，etal.，2009.Anapplicationofoptimalsubsetregressioninseasonalclimateprediction[J].ChinJAtmosSci，33（5）：9941002.（inChinese）.

李春暉，潘蔚娟，王婷，2018.廣東省降水的多尺度時(shí)空投影預(yù)測方法[J].應(yīng)用氣象學(xué)報(bào)，29（2）：217231.LiCH，PanWJ，WangT，2018.AmultiscalespatialtemporalprojectionmethodformonthlyandseasonalrainfallpredictioninGuangdong[J].JApplMeteorSci，29（2）：217231.（inChinese）.

李易芝，羅伯良，霍林，2017.湖南夏季旱澇轉(zhuǎn)折異常特征分析[J].暴雨災(zāi)害，36（4）：339347.LiYZ，LuoBL，HuoL，2017.AnalysisonanomalouscharacteristicsofthesummerdroughtfloodtransitionsinHunan[J].TorrentialRainDisasters，36（4）：339347.（inChinese）.

李瑜，李維京，任宏利，等，2015.長江中下游地區(qū)冬夏干濕韻律特征分析[J].氣象學(xué)報(bào)，73（3）：496504.LiY，LiWJ，RenHL，etal.，2015.Analysisofdry/wetrhythmsinwinterandsummerprecipitationsoverthemidlowerreachesoftheYangtzeRiverBasin[J].ActaMeteorolSin，73（3）：496504.（inChinese）.

LeCunY，BengioY，HintonG，2015.Deeplearning[J].Nature，521（7553）：436444.doi：10.1038/nature14539.

劉長征，杜良敏，柯宗建，等，2013.國家氣候中心多模式解釋應(yīng)用集成預(yù)測[J].應(yīng)用氣象學(xué)報(bào)，24（6）：677685.LiuCZ，DuLM，KeZJ，etal.，2013.Multimodeldownscalingensemblepredictioninnationalclimatecenter[J].JApplMeteorSci，24（6）：677685.（inChinese）.

LiuY，F(xiàn)anK，2014.AnapplicationofhybriddownscalingmodeltoforecastsummerprecipitationatstationsinChina[J].AtmosRes，143：1730.doi：10.1016/j.atmosres.2014.01.024.

劉穎，任宏利，張培群，等，2020.中國夏季降水的組合統(tǒng)計(jì)降尺度模型預(yù)測研究[J].氣候與環(huán)境研究，25（2）：163171.LiuY，RenHL，ZhangPQ，etal.，2020.ApplicationofthehybridstatisticaldownscalingmodelinsummerprecipitationpredictioninChina[J].ClimEnvironRes，25（2）：163171.（inChinese）.

苗春生，何東坡，王堅(jiān)紅，等，2017.基于C4.5算法的長江中下游地區(qū)夏季降水預(yù)測模型研究及應(yīng)用[J].氣象科學(xué)，37（2）：256264.MiaoCS，HeDP，WangJH，etal，2017.ResearchandapplicationofsummerrainfallpredictionmodelinthemiddleandlowerreachesoftheYangtzeRiverbasedonC4.5algorithm[J].JMeteorSci，37（2）：256264.（inChinese）.

PengT，ZhiXF，JiY，etal，2020.Predictionskillofextendedrange2mmaximumairtemperatureprobabilisticforecastsusingmachinelearningpostprocessingmethods[J].Atmosphere，11（8）：823.doi：10.3390/atmos11080823.

沈皓俊，羅勇，趙宗慈，等，2020.基于LSTM網(wǎng)絡(luò)的中國夏季降水預(yù)測研究[J].氣候變化研究進(jìn)展，16（3）：263275.ShenHJ，LuoY，ZhaoZC，etal.，2020.PredictionofsummerprecipitationinChinabasedonLSTMnetwork[J].ClimChangeRes，16（3）：263275.（inChinese）.

舒建川，蔣興文，黃小梅，等，2019.中國西南夏季降水預(yù)測的統(tǒng)計(jì)降尺度建模分析[J].高原氣象，38（2）：349358.ShuJC，JiangXW，HuangXM，etal.，2019.StatisticaldownscalingmodelinganalysisofsummerprecipitationinsouthwestChina[J].PlateauMeteor，38（2）：349358.（inChinese）.

孫照渤，譚桂容，趙振國，等，2013.中國東部夏季雨型的人工神經(jīng)網(wǎng)絡(luò)集合預(yù)測[J].大氣科學(xué)學(xué)報(bào)，36（1）：16.SunZB，TanGR，ZhaoZG，etal.，2013.EnsemblepredictionofsummerrainfallpatternsoverEasternChinabasedonartificialneuralnetworks[J].TransAtmosSci，36（1）：16.doi：10.13878/j.cnki.dqkxxb.2013.01.001.（inChinese）.

王啟光，封國林，鄭志海，等，2011.長江中下游汛期降水優(yōu)化多因子組合客觀定量化預(yù)測研究[J].大氣科學(xué)，35（2）：287297.WangQG，F(xiàn)engGL，ZhengZH，etal.，2011.AstudyoftheobjectiveandquantifiableforecastingbasedonoptimalfactorscombinationsinprecipitationinthemiddleandlowerreachesoftheYangtzeRiverinsummer[J].ChinJAtmosSci，35（2）：287297.（inChinese）.

王予，李惠心，王會(huì)軍，等，2021.CMIP6全球氣候模式對中國極端降水模擬能力的評估及其與CMIP5的比較[J].氣象學(xué)報(bào)，79（3）：369386.WangY，LiHX，WangHJ，etal.，2021.EvaluationofCMIP6modelsimulationsofextremeprecipitationinChinaandcomparisonwithCMIP5[J].ActaMeteorolSin，79（3）：369386.（inChinese）.

WenN，LiuZY，LiuYH，2015.DirectimpactofElNioonEastAsiansummerprecipitationintheobservation[J].ClimateDyn，44（11/12）：29792987.doi：10.1007/s0038201526052.

吳捷，任宏利，張帥，等，2017.BCC二代氣候系統(tǒng)模式的季節(jié)預(yù)測評估和可預(yù)報(bào)性分析[J].大氣科學(xué)，41（6）：13001315.WuJ，RenHL，ZhangS，etal.，2017.EvaluationandpredictabilityanalysisofseasonalpredictionbyBCCsecondgenerationclimatesystemmodel[J].ChinJAtmosSci，41（6）：13001315.（inChinese）.

謝傲，羅伯良，2020.湖南夏季降水與前期北太平洋海溫異常的關(guān)系[J].氣象與環(huán)境科學(xué)，43（4）：4957.XieA，LuoBL，2020.RelationsbetweentheprecedingSSTAinnorthernPacificOceanandsummerprecipitationinHunan[J].MeteorEnvironSci，43（4）：4957.doi：10.16765/j.cnki.16737148.2020.04.007.（inChinese）.

YimSY，WangB，XingW，2014.PredictionofearlysummerrainfalloverSouthChinabyaphysicalempiricalmodel[J].ClimateDyn，43（7/8）：18831891.doi：10.1007/s0038201320143.

余榮，翟盤茂，2018.厄爾尼諾對長江中下游地區(qū)夏季持續(xù)性降水結(jié)構(gòu)的影響及其可能機(jī)理[J].氣象學(xué)報(bào)，76（3）：408419.YuR，ZhaiPM，2018.TheinfluenceofElNioonsummerpersistentprecipitationstructureinthemiddleandlowerreachesoftheYangtzeRiveranditspossiblemechanism[J].ActaMeteorolSin，76（3）：408419.（inChinese）.

張宇彤，矯梅燕，陳靜，2013.基于模式先驗(yàn)信息的貝葉斯集合降水概率預(yù)報(bào)試驗(yàn)[J].氣象，39（10）：12331246.ZhangYT，JiaoMY，ChenJ，2013.Bayesianensembleprobabilisticforecastingmodelexperimentofprecipitationbasedonmodelprioriinformation[J].MeteorMon，39（10）：12331246.（inChinese）.

趙俊虎，楊柳，曾宇星，等，2016.夏季長江中下游和華南兩類雨型的環(huán)流特征及預(yù)測信號(hào)[J].大氣科學(xué)，40（6）：11821198.ZhaoJH，YangL，ZengYX，etal.，2016.AnalysisofatmosphericcirculationandpredictionsignalsforsummerrainfallpatternsinSouthernChina[J].ChinJAtmosSci，40（6）：11821198.（inChinese）.

周莉，胡瑞卿，李偉，等，2018.湖南省夏季極端降水異常時(shí)空特征及其成因分析[J].氣象科學(xué)，38（6）：838848.ZhouL，HuRQ，LiW，etal.，2018.CharacteristicsofsummerextremeprecipitationanomalyandthecauseofconcurrentanomalypatterninHunanProvince[J].JMeteorSci，38（6）：838848.（inChinese）.

宗海鋒，陳烈庭，張慶云，2010.ENSO與中國夏季降水年際變化關(guān)系的不穩(wěn)定性特征[J].大氣科學(xué)，34（1）：184192.ZongHF，ChenLT，ZhangQY，2010.TheinstabilityoftheinterannualrelationshipbetweenENSOandthesummerrainfallinChina[J].ChinJAtmosSci，34（1）：184192.（inChinese）.

PredictionofsummerprecipitationinHunanbasedonmachinelearning

HUANGChao1，2，LIQiaoping3，XIEYijun1，2，PENGJiadong1，2

1HunanClimateCenter，Changsha410118，China;

2HunanKeyLaboratoryofMeteorologicalDisasterPreventionandReduction，Changsha410118，China;

3CMAEarthSystemModelingandPredictionCentre（CEMC），Beijing100081，China

Againstthebackgroundofglobalwarming，summerextremeprecipitationinHunanhasincreasedsignificantly.Therefore，improvingthepredictionaccuracyofprecipitationisofgreatpracticalsignificancefordisasterpreventionandmitigationinHunanProvince.UsingthemonthlyprecipitationdatafrommeteorologicalstationsinHunan，theclimateindexsetsfromtheNationalClimateCenter（NCC）andtheprecipitationdatafromthehindcastexperimentsareperformedusingseasonalpredictionmodelsofNCCandNCEP（NationalCentersforEnvironmentalPrediction）.Therecursivefeatureelimination（RFE）methodisusedtodeterminethekeyfactors，andtwostatisticalpredictionschemesofsummerprecipitationinHunanareestablishedbythreealgorithms：multilayerfeedforwardneuralnetwork（FNN），supportvectorregression（SVR）andnaturalgradientboosting（NGBoost）.Theresultsshowthatthepredictionmodelbasedonmachinelearning（ML）hassuperiorabilitytopredictthedistributionpatternofsummerprecipitationinHunan.TherespectiveaverageACCskillsofthetwostatisticalschemeswithleadtimesof1to6monthsare0.15and0.19，whichisagreatimprovementcomparedwiththedynamicmodel.TherespectiveaveragePSscoresare69.3and69.2，whicharehigherthantheNCCmodel.ThefurtheranalysisindicatesthattheprecedingwinterpolarandmidandhighlatitudelatitudecirculationmaybethemainpredictabilitysourcesofMLmodelswithleadtimesof1to3months.Finally，thepredictionskillsofmodelswithleadtimesof4to6monthsarelikelyderivedfromtheprecursorysignalofseasurfacetemperature.

machinelearning;summerprecipitation;forecast

doi：10.13878/j.cnki.dqkxxb.20210903001

（責(zé)任編輯：劉菲）

20210903收稿，20211210接受

湖南省氣象局研究型業(yè)務(wù)預(yù)報(bào)預(yù)測專項(xiàng)（XQKJ21C011）;中國氣象局預(yù)報(bào)員專項(xiàng)（CMAYBY2020087）;國家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目（2018YFC1505806）