基于机器学习算法的精细化流场模拟研究
基于决策树和随机森林两种机器学习算法,以长沙市国控站气象观测数据和WRF模式模拟得到的风场数据构建数据集,对WRF预报长沙市城区风场数据进行优化.同时,利用树模型特征选择法,筛选对近地面风场数据有重要影响的气象要素,将其作为两种机器学习算法的输入,并利用网格搜索法进行调参建模.最后,将训练结果与地面观测数据进行对比评估模型的性能,开展长沙市城区风场短时预报应用研究.结果表明:相比于WRF模式,随机森林模型和决策树模型的均方根误差平均降低34%和17%,平均绝对误差平均降低33%和13%,相关系数平均提高26%和19%,风向预报准确率平均提高1%和17%;随机森林模型和决策树模型可成功模拟风场日变化特征,而且刻画的风场空间变化特征更为精细,能很好地描述城区内大气污染物随时间的动态变化特征.这表明构建的机器学习风场模型具有较好的模拟性能,可应用于空气质量改善及环境风险评估等方面的研究,显示出机器学习方法在提升风场预报方面的潜力.
决策树、随机森林、机器学习、风场、WRF模式、长沙
42
X16;X51(环境气象学)
国家重点研发计划;国家重点研发计划;四川省教育厅项目
2022-04-11(万方平台首次上网日期,不代表论文的发表时间)
共14页
318-331