PSO-PSR-ELM集成学习算法在地面气温观测资料质量控制中的应用

摘要：

针对台站密度低、新建台站以及特种单要素站等无法获得有效邻站或内部参考资料情况下的质量控制问题,从气温时间序列的混沌特性出发,考虑气温在短时间内的连续性和稳定性,提出一种基于粒子群(Particle Swarm Optimization,PSO)改进的相空间重构法(Phase Space Reconstruction,PSR)和极限学习机(Extreme LearningMachine,ELM)的集成学习算法的地面逐时气温观测资料的单站质量控制方法,实现气温资料的质量控制.为检验该方法的适用j性,运用该方法对江苏省八市2007～2009年的地面气温观测资料进行质量控制,并与传统单站方法及切比雪夫多项式内插法(Tshebyshev Polynomial Interpolation,TPI)进行对比.实验结果表明,该方法相比较于TPI和传统方法可以更有效地标记出可疑数据,具有检错率高、地区和气候适应性、可控性强等优点.

关键词：质量控制、气温、混沌性、粒子群、相空间重构、极限学习机

所属期刊栏目：22

分类号：P413(大气探测（气象观测）)

资助基金：国家自然科学基金项目41675156,江苏省六大人才高峰项目WLW-021,江苏省高校优势学科建设工程资助项目;National Natural Science Foundation of ChinaGrant 41675156;Six Talent Peaks Project in Jiangsu ProvinceGrant WLW-021;A Project Funded by the Priority Academic Program Development of Jiangsu Higher Education Institutions

在线出版日期：2017-08-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：59-70