热带气象学报

作者：刘超, 宫宇, 张碧辉, 柯华兵

单位：1.国家气象中心,北京1000812.中国气象局高影响天气（专项）重点开放实验室，湖南长沙4100733.中国气象科学研究院人工智能气象应用研究所，北京100081

关键词：机器学习, PM_2.5, 中国气象局雾-霾数值预报系统, 订正

基金：国家重点研发计划2022YFC3701205；中国气象局高影响天气（专项）重点开放实验室以及中国气象局第二批揭榜挂帅项目CMAJBGS202308；

大气细颗粒物污染深刻影响着人体健康、大气能见度以及气候变化等诸多方面，对PM2.5浓度进行精细化预报至关重要。因此，本研究基于随机森林（Random Forest，RF）、LightGBM（Light Gradient Boosting Machine）和XGBoost（Extreme Gradient Boosting Machine）等多种机器学习方法，分别构建了基于中国气象局雾-霾数值预报系统（CMA Unified Atmospheric Chemistry Environment，CUACE）Ⅴ3.0版本的京津冀地区PM2.5订正预报模型，并对比分析各个机器学习模型的预报效果和性能差异。研究结果表明：三种机器学习算法误差（ME）和平均绝对误差（MAE）均较CUACE雾霾模式明显降低，而且在不同预报时效下的ME和MAE变化幅度更小，反映出基于机器学习算法得到的PM2.5订正预报稳定性较好。此外，在三种机器学习算法中，RF算法预报性能最佳，ME和MAE分别为-3.0 μg·m-3和23.6 μg·m-3，RF平均绝对误差的改善幅度最为突出，达到11.5%，而且对区域内“正订正”的站点比例达到97.7%，明显优于LightGBM和XGBoost算法。另外，对2024年3月9日至12日雾霾天气过程进行预报检验评估，RF算法的TS评分最高，其轻度污染、中度污染以及重度污染及以上TS评分分别为0.43、0.19和0.03。由此可以看出，RF算法的预报效果更为突出，研究结果在实际业务预报中具有一定参考意义。

来源：2024年第6期

《热带气象学报》期刊编辑部

查看热带气象学报杂志2024年第6期