基于集成学习的巢湖面雨量计算方法

doi:10.3969/j.issn.1006-2475.2023.09.006

计算机与现代化 ›› 2023, Vol. 0 ›› Issue (09): 38-43.doi: 10.3969/j.issn.1006-2475.2023.09.006

基于集成学习的巢湖面雨量计算方法

（1.安徽省农村综合经济信息中心，安徽合肥 230031； 2.广东省清远市气象局，广东清远 511515；
3.安徽省公共气象服务中心，安徽合肥 230031）

出版日期:2023-09-28 发布日期:2023-10-10
作者简介:王杰（1986—），男，安徽临泉人，工程师，硕士，研究方向：机器学习，农业气象新技术应用，E-mail: wangjie629_308@126.com；徐祥（1989—），男，安徽安庆人，工程师，硕士，研究方向：大数据处理，E-mail: 337967650@qq.com；罗晓丹（1978—），女，广东英德人，工程师，学士，研究方向：专业气象服务，E-mail: tender-april@126.com；张萌（1993—），男，安徽肥西人，助理工程师，硕士，研究方向：气象数据处理，E-mail: 3103387872@qq.com；黄澈（1992—），男，安徽怀宁人，助理工程师，硕士，研究方向：气象产品开发，E-mail: 274210008@qq.com；洪冠中（1978—），男，广东清远人，工程师，学士，研究方向：专业气象服务，E-mail: honggz@126.com；通信作者：汪翔（1985—），男，江苏宿迁人，高级工程师，硕士，研究方向：公共气象服务，E-mail: wxpc007@163.com。
基金资助:
安徽省自然科学基金资助项目（2208085UQ06）；科技助力经济2020重点专项（KJZLJJ202002）

Calculation Method of Chaohu Lake Surface Rainfall Based on Ensemble Learning

（1. Anhui Rural Comprehensive Economic Information Center， Hefei 230031， China； 2. Qingyuan Meteorological Bureau of Guangdong Province， Qingyuan 511515， China； 3. Anhui Public Meteorological Service Center， Hefei 230031， China）

Online:2023-09-28 Published:2023-10-10

摘要/Abstract

摘要： 针对湖面气象观测站部署困难导致降水观测资料不足以及传统数值模式面雨量计算复杂等问题，本文以巢湖为研究对象，利用巢湖流域内雷达三维拼图数据和气象观测站降水数据，制作模型数据集。构建基于集成学习的雷达降水估测（Quantitative Precipitation Estimation， QPE）模型，利用自制数据集对模型进行训练，并结合地理信息系统（GIS），将巢湖区域按经纬度网格划分并与雷达拼图在空间上进行叠加，根据QPE模型计算各网格点降雨量，对网格点降雨量求算术平均得到湖面面雨量。实验分析基于随机森林（Random Forest， RF）、XGBoost、LightGBM这3种集成学习的QPE模型性能，选取性能较优QPE模型并进行超参数调优；对比分析利用网格点平均法和气象陆面数据同化系统（CMA Land Data Assimilation System， CLDAS）得到的湖面面雨量结果。结果表明，使用RF算法的QPE模型性能较优，采用网格点平均法和CLDAS计算结果数值虽有差异，但总体趋势一致。该方法可用于巢湖面雨量的计算，为巢湖及其流域防汛抗洪提供重要参考。

关键词: 集成学习, 定量降水估测, 地理信息系统, 面雨量, 巢湖

Abstract: In view of the problems such as insufficient precipitation data due to the difficulties in deployment of the lake meteorological observation station and the complexity of rainfall calculation under the traditional numerical model， this paper takes Chaoahu Lake as the research object， and creates a model dataset using radar 3D mosaic data and precipitation data from meteorological observation station in the Chaohu Lake basin. Then a quantitative precipitation estimation （QPE） model based on ensemble learning is constructed， and the self-made data set is used to train the model. Combined with geographic information system （GIS）， the Chaohu Lake basin is divided by latitude and longitude grid and superimposed on the radar mosaic spatially. The arithmetic mean of the rainfall at each grid point which is calculated by the QPE model is calculated to obtain the rainfall on the lake surface. In the study， the performance of the QPE model based on ensemble learning of random forest （RF）， XGBoost and LightGBM algorithms is compared and analyzed， and the QPE model with better performance is selected to conduct hyperparameter tuning. And the results of lake surface rainfall obtained by grid averaging method and CMA land data assimilation system （CLDAS） are comparatively analyzed. The results show that the QPE model using RF algorithm has better performance， and the overall trend is consistent although there are differences in the results values calculated by the grid average method and CLDAS. In conclusion， this method could be used to calculate the surface rainfall of Chaohu Lake， and provides an important reference for flood prevention and control of Chaohu Lake and its watershed.

Key words: ensemble learning, quantitative precipitation estimation, GIS, areal rainfall, Chaohu Lake

中图分类号:

TP181
P333.9

王杰, 徐祥, 罗晓丹, 张萌, 黄澈, 洪冠中, 汪翔. 基于集成学习的巢湖面雨量计算方法[J]. 计算机与现代化, 2023, 0(09): 38-43.

WANG Jie, XU Xiang, LUO Xiao-dan, ZHANG Meng, HUANG Che, HONG Guan-zhong, WANG Xiang. Calculation Method of Chaohu Lake Surface Rainfall Based on Ensemble Learning[J]. Computer and Modernization, 2023, 0(09): 38-43.

参考文献［27］

［1］	周奇，史俊，王海玉，等. 巢湖流域2020年暴雨洪水过程及特性［J］. 人民长江， 2022，53（1）:31-37.
［2］	田娟. 巢湖流域江湖洪水遭遇规律分析［J］. 水利技术监督， 2022（10）:167-172.
［3］	蔡敷川，黄帅，肖明丽. 基于GIS技术的东江流域面雨量监测系统的设计［J］. 广东水利水电， 2018（10）:61-65.
［4］	李薇，徐海峰，李玉梅. 高精度降雨雷达设备在局地暴雨监测中的应用［J］. 水文， 2019，39（5）:67-70.
［5］	贺芳芳，徐卫忠，周坤，等. 基于雷达资料的上海地区暴雨面雨量计算及应用［J］. 气象， 2018，44（7）:944-951.
［6］	PENG W， BAO S P， YANG K， et al. Radar quantitative precipitation estimation algorithm based on precipitation classification and dynamical Z-R relationship［J］. Water， 2022，14（21）. DOI: 10.3390/w14213436.
［7］	纪永明，陈传雷，蒋大凯，等. 基于雷达组网拼图的定量降水反演Ⅱ:方案改进及综合评估［J］. 气象与环境学报， 2019，35（1）:79-87.
［8］	张钧民，阮惠华，许剑辉，等. 基于XGBoost的多源降水数据融合方法研究［J］. 热带地理， 2021，41（4）:845-856.
［9］	于霞，王清霖. 基于集成学习的天气预测［J］. 信息与电脑（理论版）， 2021，33（7）:81-83.
［10］	陈志月，吴立峰，刘小强，等. 基于GPR、CatBoost、XGBoost三种模型预测江西地区水面蒸发量［J］. 水资源与水工程学报， 2020，31（6）:116-125.
［11］	陈双，谌芸，何立富，等. 我国中东部平原地区临界气温条件下降水相态判别分析［J］. 气象， 2019，45（8）:1037-1051.
［12］	吕军. 基于云模型的洪涝灾害风险评价与风险管理研究［D］. 芜湖:安徽师范大学， 2019.
［13］	周文强，马友华，吴雷，等. 巢湖流域土地利用变化对雨洪调蓄能力的影响［J］. 水资源与水工程学报， 2023，34（3）:101-108.
［14］	粟运，师春香，毛文书，等. 基于CLDAS-Prcp多源融合降水产品的WRF-Hydro模式在綦江流域的水文效用［J］. 高原气象， 2022，41（3）:617-629.
［15］	张勇，吴胜刚，张亚萍，等. 基于SWAN雷达拼图产品在暴雨过程中的对流云降水识别及效果检验［J］. 气象， 2019，45（2）:180-190.
［16］	BREIMAN L. Random forests［J］. Machine Learning， 2001，45（1）:5-32.
［17］	王浩钰，付国永，李黎，等. 一种基于XGBoost+GWR算法的中国地区降水量空间插值模型［J］. 水电能源科学， 2021，39（12）:7-11.
［18］	CHEN T Q， GUESTRIN C. XGBoost: A scalable tree boosting system［C］// Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. 2016:785-794.
［19］	KE G L， MENG Q， FINLEY T， et al. LightGBM: A highly efficient gradient boosting decision tree［C］// Proceedings of the 31st International Conference on Neural Information Processing Systems （NIPS’17）. 2017:3149-3157.
［20］	HUANG J X， LIU Q T， ZHENG Y X， et al. Chinese comma disambiguation in math word problems using SMOTE and random forests［J］. AI， 2021，2（4）:738-755.
［21］	肖天云，张子晨，魏佳妹，等. 基于BOA-LSTM模型的土壤湿度预测［J］. 华北理工大学学报（自然科学版）， 2023，45（3）:65-73.
［22］	AHN S. Building and analyzing machine learning-based warfarin dose prediction models using scikit-learn［J］. Translational and Clinical Pharmacology， 2022，30（4）:172-181.
［23］	SHAHHOSSEINI M， HU G P， Pham H. Optimizing ensemble weights and hyperparameters of machine learning models for regression problems［J］. Machine Learning with Applications， 2022，7. DOI: 10.1016/j.mlwa.2022.100251.
［24］	冯增喜，陈海越，王涛，等. 基于改进XGBoost超参数优化的地下工程空调系统负荷预测［J］. 计算机与现代化， 2023（1）:108-113.
［25］	李健，张克亮，唐亮，等. 面向中文命名实体识别任务的数据增强［J］. 计算机与现代化， 2022（4）:1-6.
［26］	张强，赵煜飞，范邵华. 中国国家级气象台站小时降水数据集研制［J］. 暴雨灾害， 2016，35（2）:182-186.
［27］	卢程伟，刘佳明，徐兴亚. 2020年巢湖流域防洪存在的问题及其对策探讨［J］. 人民长江， 2020，51（12）:155-159.

[1]	龚云翔, 袁仕芳, 刘付谦. 基于集成学习与不平衡数据的返贫预测[J]. 计算机与现代化, 2022, 0(04): 12-16.
[2]	王磊, 宋波. 基于ADE-Stacking的心力衰竭非计划性再入院风险预测模型[J]. 计算机与现代化, 2022, 0(01): 23-27.
[3]	王继民, 季昌政, 李家欢, 曹颖. 基于集成学习的中小河流洪水预报[J]. 计算机与现代化, 2021, 0(05): 51-58.
[4]	王晓宇, 孙卡. 基于osgEarth的三维虚拟校园可视化[J]. 计算机与现代化, 2020, 0(11): 89-93.
[5]	李科心, 李静, 邵佳炜, 肖屹. 多层次序列集成的高维数值型异常检测[J]. 计算机与现代化, 2020, 0(06): 73-.
[6]	王海, 江峰, 杜军威, 赵军. 过采样与集成学习方法在软件缺陷预测中的对比研究[J]. 计算机与现代化, 2020, 0(06): 83-.
[7]	刘树艺，李静，胡春，王伟. 基于卷积神经网络与集成学习的交通标志识别[J]. 计算机与现代化, 2019, 0(12): 67-.
[8]	顾陈楠,曾晓勤 . 基于3D卷积神经网络的动态手势识别[J]. 计算机与现代化, 2019, 0(11): 75-.
[9]	代永强，王联国. 城市表层土壤重金属污染评价[J]. 计算机与现代化, 2019, 0(08): 105-.
[10]	乔媛，廖小平，邵开霞. 基于跳跃显露模式挖掘算法的癌症分类[J]. 计算机与现代化, 2018, 0(05): 100-.
[11]	雷武1,2，廖闻剑2，彭艳兵2. 基于随机森林与LambdaMART的搜索排序模型[J]. 计算机与现代化, 2017, 0(3): 54-.
[12]	刘意. 一种基于频繁子图的集成分类算法[J]. 计算机与现代化, 2017, 0(1): 32-35.
[13]	王行风. 面向个人移动平台的室内三维导航系统设计与实现[J]. 计算机与现代化, 2015, 0(2): 77-.
[14]	李瑞1，袁小玲2. 半动态集成选择分类方法[J]. 计算机与现代化, 2015, 0(2): 48-.
[15]	秦斌;毕言格. 基于Android的移动终端态势显示技术研究[J]. 计算机与现代化, 2013, 1(7): 16-018,.

基于集成学习的巢湖面雨量计算方法

Calculation Method of Chaohu Lake Surface Rainfall Based on Ensemble Learning

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献［27］

相关文章 15

编辑推荐

Metrics

本文评价

基于集成学习的巢湖面雨量计算方法

Calculation Method of Chaohu Lake Surface Rainfall Based on Ensemble Learning

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献 ［27］

相关文章 15

编辑推荐

Metrics

本文评价

参考文献［27］