基于机器学习的海表温度对中国降水的预测研究

• 作者: 李良伟 邹斌 石立坚 刘鹏
• 来源期刊: 海洋预报
• 关键词: K-means 聚焦时延神经网络 主成分分析 降水 海表温度
• 年，卷（期）: 2021,（3）
• 所属期刊栏目: 研究与分析|Research & Analysis
• 页码范围: 29-37
• 页数: 9页
• 分类号: P731.11|P426.6
• 语种: 中文
• DOI: 10.11737/j.issn.1003-0239.2021.03.004

摘要

利用K-means聚类算法将36a的中国周降水数据聚类为7个区域,其中非季风区的中国西北和青藏高原的大部分地区聚类为两个区域,其余区域聚类为5个区域.将各区域的降水量数据经过指数平滑之后,输入聚焦时延神经网络(FTDNN),求解其与经过主成分分析降维处理的SST之间的关系.结果表明:季风区的降水量最佳延迟时间比远离海洋的非季风区域的最佳延迟时间大,同时也得到了预测各区域降水的最佳延迟时间.在对各区域的降水量进行短期和中长期的预测中得出,FTDNN神经网络在利用降维后的SST预测降水量上显示出很好的预测效果,尤其是中长期趋势的预测,与传统的小波变换重建原序列以及均生函数方法的预测结果相比,相关系数和均方根误差都有了很大的提高,新疆地区测试结果的相关系数比小波变换结果提高了 0.05.