[发明专利]基于机器学习的海洋低空波导预测方法

权利要求书

1.一种基于机器学习的海洋低空波导预测方法。其特征在于，所述方法包括：

利用Python的Basemap库获取WRF中尺度数值模式预报数据与探空实测数据的数据格式；

采用双线性插值、神经网络拟合等数据预处理手段，获得WRF中尺度数值模式预报气象参数与探空实测气象数据之间的差异规律；

引入梯度提升决策树(GBDT)与极端梯度提升树(XGBoost)两种机器学习算法，得到利用空间维度局部、低密度探空气象数据修正广域、灵活空间颗粒度数值模式预报气象参数的机制；

基于预报气象参数修正机制，结合气象参数波导参数的过渡机制，得到新型预报波导参数机制，并利用新型预报波导参数机制预报南海区域低空大气波导。

2.根据权利要求1所述方法，其特征在于，所述利用Python的Basemap库获取WRF中尺度数值模式预报数据与探空实测数据的数据格式包括：

WRF中尺度数值模式预报数据可提供南海海面气温、气压、水汽压、水汽混合比等气象参量，实用性更高但在精度方面存在不足；以及

探空数据具体包括了气压、水汽压、水汽混合比、高度、温度、露温、风向和风速等气象参数，精准性强但分辨率很低。

3.根据权利要求1所述方法，其特征在于，所述数据预处理手段包括：

查阅世界时(UTC)和北京时间的对应关系，进行两种数据时间层面对齐；以及

利用Python的Basemap库绘制地图，一并呈现出探空观测站点与数值模式格点分布，筛选得到南海区域的29个探空观测站点；以及

利用双线性插值方法处理数值模拟数据进行经纬度对齐，得到经纬度对齐的两种数据；以及

利用神经网络拟合方法处理探空观测数据进行垂直高度对齐，得到垂直高度层面对齐的两种数据。

4.根据权利要求1所述方法，其特征在于，所述利用机器学习算法得到预报气象参数修正机制包括：

三种特征工程方案；以及

使用训练集数据训练GBDT/XGBoost模型，期间使用验证集数据检验模型的拟合情况，最后使用测试集数据检验模型的修正能力，得到气象参数修正模型；以及

通过模型得分、修正数据与模拟数据相较探空实测数据的误差、均方根误差(RMSE)对比，得到最优气象参数修正机制。

5.根据权利要求4所述方法，其特征在于，所述三种特征方案包括：

仅使用对齐后的模拟数据；以及

使用探空数据站点周围4个模拟站点数据；以及

使用对齐后的模拟数据和地理变量。

6.根据权利要求1所述方法，其特征在于，所述新型预报波导参数机制包括：基于预报气象参数修正机制，结合气象参数到波导参数的过渡机制，得到新型预报波导参数机制；以及

运用新型预报波导机制预报南海区域各项波导参数，得到南海区域波导参数的可视化分析结果。

7.根据权利要求6所述方法，其特征在于，所述南海区域波导参数的可视化分析结果包括：

利用新型预报波导参数机制预报2017年1月1日0时南海区域波导个数，得到南海区域波导个数在南海各个区域分布不均；以及

利用新型预报波导参数机制预报2017年1月1日0时南海区域波导强度，得到南海区域波导强度不是很大，且普遍集中于0～6M范围内。