[发明专利]一种全过程耦合机器学习的中长期降水预报建模方法

权利要求书

1.一种全过程耦合机器学习的中长期降水预报建模方法，其特征在于：它包括如下步骤：

S1、基础数据处理：收集流域内站点或格点的实测降水序列，收集130项气象-气候指数数据集作为初选预报因子集，根据预报预见期、因子滞后期等确定预报结构；

S2、预报因子筛选：提出一种基于拉普拉斯分数-递归特征消除的因子筛选方法，进而获取站点或格点降水在某一预见期下的最终预报因子集；

S3、预报模型构建：根据机器学习理论建模方法的理论差异，分别构建弹性网络回归、支持向量机、随机森林、极端梯度提升树、轻量梯度提升树模型，采用上述预报结构与预报因子集合获取五套预报结果；

S4、多模型结果融合：提出一种基于改进堆叠算法的多模型融合技术，重构预报结构并进行二次迭代训练，输出最终融合预报结果。

2.根据权利要求1所述的全过程耦合机器学习的中长期降水预报建模方法，其特征在于：在步骤S1中：

所述130项气象-气候指数数据集为中国气象局国家气候中心发布，包括88项逐月大气环流指数、26项逐月海温指数以及16项逐月其他指数；

所述预报结构定义为：将每个月第一天发布该月降水总量定义为预见期0个月，即LD＝0，发布下个月降水总量定义为预见期1个月，即LD＝1，以此类推；考虑到大尺度气象-气候指数的作用延迟性较长，假定气象-气候指数数据集的作用滞后期LG为LD+1至LD+12个月。

3.根据权利要求1所述的全过程耦合机器学习的中长期降水预报建模方法，其特征在于：在步骤S2中：

所述拉普拉斯分数定义为：设初选预报因子集共有n个d维样本，首先利用k近邻法，k取5，对样本进行聚类；若第i个样本x_i是第j个样本x_j的最邻近的k个样本之一，则两者为相邻，否则为不相邻，计算所有样本间的权重S_ij：

式中，t为常数，取1；||x_i-x_j||为欧式距离；令f_ri为第i个样本的第r个特征，f_r＝[f_r1,f_r2,…,f_rn]^T为第r个特征值构建的向量D，D为对角矩阵且满足D＝diag(S1)，可得到则f_r的方差可表达为令L＝D-S，S为权重矩阵，可得：

此时，第r个特征的拉普拉斯分数为：

所述递归特征消除是一种迭代运算策略，首先计算初选预报因子集中各个特征与降水序列的拉普拉斯分数，选择分数最小(相关度强、区分度高)的100个作为初始因子集进行迭代训练；每轮训练时，当在新因子集上表现的训练误差更小，或训练误差相当但包含的因子数更少时，就将新因子保留下来，否则移除若干权值系数小的因子，再基于新的因子集进行下一轮训练，直至达到所需的因子数量或迭代次数为止。